地图隐喻转发地图R-Map

一、论文概述
- 1.1 文章摘要
- 1.2 文章贡献
- 1.3 文章脉络
二、相关工作
三、社交媒体数据
- 3.1 数据属性
- 3.2 不同的关系
四、可视化设计
- 4.1 动机
- 4.2 设计原理
- 4.3 地图设计及视觉编码
- 4.4 R-Map构造
五、系统接口
- 5.1 地图视图
- 5.2 微博表视图
- 5.3 词云视图
- 5.4 时间轴视图
六、使用场景
- 6.1 案例1:关键参与者的影响
- 6.2 案例2:情感和语义解释
七、评估
八、讨论
- 8.1 优势
- 8.2 局限
- 8.3 其他应用场景
九、结论
十、收获

一、论文概述

文章是2020年发表在TVCG上的一篇文章，是北京大学可视化与可视分析研究组袁晓如课题组的工作，提出R-Map (repost Map)，这是一种带有地图隐喻的视觉分析方法，支持对社交媒体中信息转发过程的交互探索和分析。
文章地址：
R-Map: A Map Metaphor for Visualizing Information Reposting Process in Social Media
https://ieeexplore.ieee.org/abstract/document/8805419/

1.1 文章摘要

我们提出R-Map (repost Map)，这是一种带有地图隐喻的视觉分析方法，支持对社交媒体中信息转发过程的交互探索和分析。
一条原创的社交媒体帖子可以在网络上引发大量的转发(也就是转发)，涉及成千上万甚至数百万持不同观点的人。这样的转发行为形成了转发树，其中一个节点表示消息，一个链接表示转发关系。
在R-Map中，转发树结构可以用突出显示的关键角色和平铺的节点进行空间化。在虚拟地理空间中，将重要的转发行为、转发关系和语义关系分别表示为河流、路线和桥梁。R-Map通过语义支持对大量信息转发的可伸缩概述。地图上的额外交互被提供来支持信息扩散过程中时间模式和用户行为的研究。
我们用两个用例和一个正式的用户研究来评估我们系统的可用性和有效性。

1.2 文章贡献

一种新颖的信息转发视觉隐喻设计。
转发地图提供了转发过程的概述。它使用直观的视觉隐喻来表示多方面的信息，使用户能够探索不同的模式。
一个可视化分析系统，探索用户在社交媒体上的转发行为。
提供了不同的交互，帮助用户更容易地与地图交互，让用户从不同的角度了解转发过程。

1.3 文章脉络

Section2 ：相关的工作
Section 3 ：数据
Section 4 ：R-Map的设计和构造方法
Section 5 ：可视化系统
Section 6 ：两个案例分析
Section 7 ：用户结果报告
全文总结，工作展望

二、相关工作

[11,47]总结了社交媒体可视化和视觉分析方面的最新研究成果。
本文综述了信息扩散、树状可视化和基于地图的可视化等方面的研究进展。

信息扩散分析。除了对信息传播过程建模[20,21]，其他研究也已进行，以预测扩散信息并能够检测扩散模式[38]。与这些作品不同的是，本文运用可视化技术，以地图隐喻的方式来阐释信息的扩散过程。
信息扩散的可视分析。人们提出了许多类型的可视化来揭示社交媒体中的扩散模式。其中许多都使用改进的节点-链接图直接可视化消息的转发树。
R-Map的目标是为具有多面信息的大规模转发树提供一种可伸缩的可视化方法，这与以前的工作不同。其他研究集中于分析集体信息的传播模式，这些信息通常都有相同的主题。所有这些方法都是成功的设计，从不同的角度揭示了信息的传播过程，但忽略了单个消息的详细传播模式。
树可视化。使用直线或曲线的显式节点链接图是最常见的树可视化方法。尽管节点链接图允许用户很容易地解释节点之间的关系，但节点链接图的空间效率相当低，这在分析大规模的重新发布树时造成了混乱。对于隐式树可视化，treemaps[22]和icicle plot[25]是两个突出的方法。
尽管已经提出了许多树的可视化方法，但它们只专注于显示树的结构。很难创建一种直观的方式来可视化转发树中节点的特征和关系，这是论文的重点。
关系数据的基于地图的可视化。地图是用来绘制一个区域的表面来代表地理特征的分布。地图隐喻工作已经有不少成果，在社交媒体领域，Gansner等人[16]提出了一种动态地图生成方法，用于分析实时Twitter消息中不断演变的话题。[26]使用基于螺旋的布局来生成一个紧凑的地图，用于比较流推的集群大小。Chen等人，[9]引入了D-Map，一种基于六边形的地图，用于分析以用户为中心的信息扩散模式。后来，他们提出了D-Map+[8]和E-Map[7]，让用户可以在社交媒体上对事件演变进行多方面的分析。但是，这些方法提供了多个源消息扩散行为的聚合视图，并忽略了转发的多级结构。

三、社交媒体数据

在本节中，介绍数据并总结转发过程中的重要特征。

3.1 数据属性

数据来自新浪微博，重点分析了原创微博的转发过程。数据描述如下：

属性	描述
Root user（根用户）	原始微博的作者
Repostings（转发）	包括直接转发和间接转发。对给定微博的转发是那些直接转发或间接转发的微博。
Comments（评论）	社交媒体用户在转发的微博上发表评论，表达自己的观点。
Semantics-varying repostings（语义变化转发）	指在被转发的微博上创建新的主题的微博。
Non-follower repostings（未关注转发）	指未关注被转发微博的作者的用户发布的微博。
Key players（关键角色）	对原始微博进行大规模转发的社交媒体用户。
用户的级联转发形成一个树。在这棵树中，原始微博是根节点，所有的转发都是根的后代节点。节点的直接转发是它的子节点。

通过以下几个方面可以总结出某条微博信息的传播特征：

转发结构。许多用户可以参与转发过程，创建复杂的树结构。
关键角色。用户在转发过程中有不同的角色。关键角色对转发树结构和语义的塑造有很大的影响。
不同的行为。转发可能具有不同的语义或时间特征。在这里，我们探讨了转发用户的特征，因为这些特征可能揭示了转发过程背后的社会机制。
动态扩散。微博的传播生命周期有多个阶段，包括开始、爆发、消亡。在每个阶段，都有不同的转发行为、话题和关键人物。

3.2 不同的关系

在对转发行为的分析中，我们研究了三种类型的关系:关注者-被关注者关系、关键参与者的转发关系和语义关系。

关注者-被关注者关系
在社交媒体上，用户的信息通常会被他们的关注者转发。相反，一个非追随者的转发可以将信息传播给更广泛的受众，极大地改变了传播过程。这种关系(即，转发但不关注)在R-Map中是专门处理的。
关键参与者的转发关系
由关键人物或意见领袖转发，向公众公开信息。因此,我们对关键参与者的转发链感兴趣，以了解信息如何到达这些关键参与者，并对关键人物转发消息后的转发模式进行了深入分析。
语义关系
社交媒体用户可能会在他们的信息中表达不同的态度。这些信息涉及不同社会媒体用户群体的不同主题。转发信息中表达的情感对于理解用户对事件的情绪也很重要。

四、可视化设计

在本节中，我们首先讨论R-Map的动机和设计原理。在此基础上，提出了地图构建的可视化编码方法和步骤。

4.1 动机

现有的可视化方法无法提供对转发树和语义的直观表示，因此需要一种新的可视化设计来解决转发树可视化的挑战。
地图在认知上的便捷性意味着人们可以从多个角度更好地理解数据的转发。此外，地图信息的空间化提供了同时可视化结构和语义的机会。

4.2 设计原理

我们对转发树的分析主要集中在转发结构、用户角色和语义的演变。我们总结了以下要求来说明这些关键因素及其关系。

R1:提供对转发结构的概览。地图应该展示转发树的整体结构，帮助人们了解原始微博的扩散过程(D1)。地图应该易于理解，并避免视觉上的混乱。
R2:识别具有不同角色和行为的用户。用户在传播过程中扮演着不同的角色，有着不同的态度。关键参与者应与普通用户区分开来(D2)。我们需要在传播过程中揭示用户对其信息的情感和观点(D3)。
R3:揭示动态扩散过程。在不同的阶段，用户的话题和情绪可能会有所不同。关键人物的信息可以产生新的观点或话题，并可能对整个事件产生强大的影响(D4)。
R4:对转发结构和语义的分析相结合。转发的语义会影响转发树的发展。为了在不同的上下文之间切换时减少用户的分析负担，这些都应该在设计中一并考虑。

4.3 地图设计及视觉编码

R-Map提供了原始微博传播的结构和语义概述。转发的特征被映射到地图上的不同隐喻中，包括湖泊、县、地区、国家、大陆、岛屿、河流、路线和桥梁(图1)。我们选择这些隐喻是因为它们在真实地图中很常见，并且可以以一种有意义的方式与数据功能联系起来。

湖泊:在地图上，湖泊在扩散过程中扮演着关键角色。湖泊是河流的源头，从而灌溉周围的土地，就像一个关键人物向转发他的微博的用户传播信息一样。
县:地图上的县是一个多边形，表示转发树中的一个非关键角色微博节点。地图可以划分为不同的县，就像重新发布树由不同的节点组成一样。影响力较大的县则用黑色笔画。一个县附属于一个湖，属于一个国家(R1)。
区域:县讨论类似的问题形成区域。微博的转发可能包含社交媒体用户对不同话题的讨论。我们根据主题对这些转贴进行分组。具有相同主题的县在地图上形成连续的区域(R2, R4)。
国家:地图上的国家象征着一个子树，该子树的根是一个关键角色。所有与国家相关的县都在子树上的转发节点。一个国家的位置由树木布局算法[18]决定，并揭示了整体扩散结构(R1)。一个国家可以有多个地区。

[18] S. Grivet, D. Auber, J. Domenger, and G. Melanc ¸on. Bubble tree draw- ing algorithm. In Proceedings of International Conference on Computer Vision and Graphics, pp. 633–641, 2004. doi:10.1007/1-4020-4179-9

大陆和岛屿:地图上连接在一起的大国形成了一个大陆。较小的孤立国家形成岛屿。不同国家之间的联系代表不同的转发关系(R1)。
河流连接了大陆上不同的湖泊，代表了关键参与者的父子关系，从而显示了转发树的骨架。
为了突出这些关键人物的特别转发（非关注者转发和语义变化的转发），我们将关键人物的领土以岛屿的形式从大陆上分离出来。如果关键角色没有关注他/她的父母，一条弯曲的路线将他们连接起来;如果关键角色的领地主题与他/她的父母不同，那么有一座直桥将他们连接起来。

我们省略了原始树的大部分链接。为了弥补结构信息(即树中的节点级别)的丢失，我们使用颜色来编码级别信息。
转发的级别映射为饱和度值单调增加的相同色调的颜色[^42]。采用绿色标度的配色方案，使地图更直观易懂。多边形的颜色越深，它在转发树结构(R1)中的位置就越深。此外，还提供了另一种配色方案来代表每次转发的情绪:红色、橙色和蓝色分别代表负面、中性和积极的意见(图9)。没有评论的转发被认为是中性的。每个转发的情绪是用在线中文情感分析工具来计算的 [^1] (R3)。地图隐喻的颜色编码方法以美国内政部[49]和谷歌地图配色方案为指导。河流、桥梁和路线分别用蓝色、灰色和蓝色进行颜色编码。为了表示不同国家的边界，我们使用粗的黑线，对于区域边界，我们使用细的灰线来区分它们与国家边界。画布上的白色区域用淡蓝色标记，类似于海洋的颜色。
为了更好的理解扩散过程中的语义，关键词覆盖在地图上，用颜色表示不同的情绪(R4)。

4.4 R-Map构造

R-Map的构造首先确定树中的某些关键节点，然后放置剩下的节点，类似于现有的图算法，如HDE[19]和Pivot MDS[5]。它们由一个基于后代节点(repostings)数量的阈值确定。我们将默认阈值T设置为测试后节点总数的5%。使用此设置，如果一个节点是关键节点，它的父节点也将被视为关键节点。我们可以从原始的转发树中提取一个连接的子树。子树被认为是原始树的骨架。同样，在每个国家内影响力较大的县，其转发次数超过节点总数的1%。用户可以在我们的系统中交互地更改阈值。R-Map的构建包括两个步骤:骨架布局和地图布局(图2)。

R-Map构造。(a)每个关键角色节点的位置采用[18]气泡树布局方法计算。(b)布局边框用Voronoi图进行划分。©然后根据公式3中给出的密度值过滤生成的多边形。(d)根据方程4中的加权距离函数，将每个多边形分配给一个关键玩家节点。(e)为了得到最终的布局区域，分配给每个关键玩家的多边形被进一步调整。(f)最后，将所有节点填入计算区域。

五、系统接口

可视化分析系统包括地图视图、微博表视图、词云视图和时间轴视图，以支持对转发扩散过程的可视化探索。(图5)。

5.1 地图视图

Map视图(图5b)提供了转发结构的概述，以及在转发过程(R1)中讨论的不同主题。河流、桥梁和路线明确表明了关键参与者之间的不同关系。每个国家进一步划分为代表不同主题的区域。没有评论的转贴都是围绕着关键人物的。每个地区都突出了重要的县，并伴随着一些较暗的地区，这是他们的后代的转调。用户可以点击地图上的县，查看转发者的扩散路径和特征，如图5c所示。这些特征包括原始微博的延迟时间(F1)，与父节点的关系(F2)，直接转发数(F3)和总转发数(F4)，粉丝数(F5)和被关注数(F6)。F1和F2帮助用户比较不同转发者的行为，F3和F4则表示转发者的影响。F5和F6帮助用户了解消息流行的原因。Suh等人[41]之前的一项研究证明了关注者和被关注者的数量、url和标签与转发有很强的关系。url和标签显示在消息的文本中。面板的边框颜色表明了这条消息的情绪。关键字直接重叠在每个区域。这减少了用户在不同上下文之间切换的负担(R4)。提供了一个地图图例来帮助用户阅读地图(图5d)。用户可以根据自己的需要，通过切换单选按钮来控制视觉元素的显示。用户还可以通过导航、平移和缩放来探索地图，就像使用真实的在线地图一样。

5.2 微博表视图

表视图(图5a)提供了所有微博的列表。用户可以根据转发时间、转发次数、转发树(R2)级别对微博进行排序。单击表格上的一条消息将显示地图上该转贴者的信息面板。用户还可以使用关键词搜索微博。

5.3 词云视图

词云视图显示所选微博的关键词分布情况。每个词的情感用包含该词的微博的情感取平均值。每个单词的大小表示它出现在所选微博中的频率。用户可以通过点击该视图中的单词来选择包含特定单词的微博。当播放扩散过程的动画时，字云视图会动态更新以显示新消息的关键字(R3)。

5.4 时间轴视图

时间轴视图(图5c)提供了扩散过程(R3)的时间概述。在时间轴上方，提供了一个节点-链接图来指示关键参与者的转发关系，这些关系根据转发时间排序。在每个关键玩家(蓝色矩形)下面，所有他们的后代消息都根据重新发布时间列出。计时点表示从原微博转发延迟时间。本发明提供了一种动画功能来快速推进扩散过程。还提供了一个笔刷功能，用于探索感兴趣的重新发布。
所有这些视图高度协调，支持基于(图7)所示的系统工作流的微博转发探索。

六、使用场景

基于新浪微博的真实数据，给出了两个用例，说明了我们的系统如何揭示转发过程。

6.1 案例1:关键参与者的影响

在第一种情况下，我们使用R-Map来说明关键角色如何扩大源信息的影响，并促进主题的演变。
地图概述。我们可以从生成的图5b中获得事件的概览。最初的微博是由Little7(原始湖泊)发布的，而Kanchai转发了两次，再一次被原发布者转发。Little7随后被姚晨转发，在地图上创造了一大片领土。姚晨是中国著名女演员，在新浪微博上拥有数百万粉丝。Little7和新浪也转发了姚晨的微博。转发Little7的主要玩家并没有关注她，而是引入了不同的讨论话题，如路线和桥梁。地图是使用语义布局生成的。国家被划分为不同的区域，并显示不同的关键词。关键词多为正面关键词，负面关键词多出现在与Kanchai相关的区域。
在使用时间轴视图快速推进扩散过程之后，我们将事件分为三个阶段(图8 - S1、S2和S3)。

事件阶段(S1)的动态探索——一个初始场景。通过梳理时间轴视图，我们发现在第一阶段(图8-S1)， Little7发布了她希望采访著名女演员姚晨的原始信息(S1-1)。尽管她给姚晨打上了“@”标签，但她没想到这条消息会被每天收到数千条微博的姚晨看到。一小部分人转发了这条消息，在地图上构建了根节点周围的地形(S1-3)。这些人大多鼓励她，并在他们的转发中标记姚晨，如字云视图(S1-4)所示。Little7随后转发了她的第一条微博，在地图上产生了第二个湖。点击这个湖，可以看到这条微博更详细地解释了她的采访提议，并再次标记了姚晨(S1-2)。然而，很少有人回复这条微博。
事件阶段(S2)的动态探索-关键参与者的参与。在一段时间内，转发几乎停止了。大约20天后，情况发生了变化(图8-S2)。姚晨转发了小7的这条信息，就像地图上显示的那样，这条信息产生了很多转发，形成了一个大国。我们检查了姚晨的信息(S2-2)，发现她在新浪微博上有超过8000万的粉丝。相比之下，她只关注了471名用户。姚辰没有跟着小七走，所以他们在地图上有一条路线相连。姚晨对Little7的回应引发了热议。这些转发中出现了“鼓掌”、“力量”、“真诚”等关键词(S2-1)，这些关键词与小七的转发有所不同，正如姚晨与小七之间的桥梁所明确表明的那样。在国内，可以找到一些重要的县。例如，一位名叫Yaxi的用户对这个故事感到很惊讶，他说“坚持是成功的关键”(S2-3)。另外14名用户转发了她的帖子。Little7在短时间内回应并表达了对姚晨的感谢(S2-4)。一个叫做新浪的主要玩家也把这条消息转发给了它的观众(S2-5)。Little7和新浪都是姚晨的粉丝，他们转发的关键词也很相似。与它们有关联的国家在地图上形成了一个大陆。本阶段的讨论几乎都是积极的。社交媒体用户赞扬了姚晨的善良，并祝贺Little7的成功。整个S2阶段只持续了几个小时，却引发了无数的讨论。与S1相比，S2显示了关键参与者对信息扩散的巨大影响。
事件阶段(S3)的动态探索——多样化的语义探索。在最后一个阶段(图8-S3)，另一个叫Kanchai的用户参与了讨论。他在短时间内转发了原微博两次(S3-1, S3-2)，在地图上产生了两个不同的岛屿(S3-3, S3-4)。这两个岛屿都通过一条路线和一座桥与Little7相连，这表明Kanchai并没有关注Little7，而是在原来的微博上引入了新的话题。我们查看了他的微博，发现他批评Little7对姚晨缺乏尊重。在一个岛屿上，他指出Little7在最初的信息中没有使用谦逊的语言(S3-2);在另一份报告中，他说，“感激”一词不适合年轻女孩对年长妇女使用(S3-1)。他有超过7万名粉丝，他的微博引发了关于人际关系中平等和礼貌的争论。通过用情绪为地图着色，我们发现消极情绪在这些岛屿上的县占主导地位。

6.2 案例2:情感和语义解释

在第二个案例中，我们分析了热门微博的转发过程。这张以情绪为颜色标记的地图，让我们对转发过程和微博用户的意见有了一个情绪概览(图9)。地图上的积极县(蓝色)很少，大多数人表达了消极的意见(红色)。三个主要的分支从地图的中心向外延伸。通过对源湖的调查，我们发现拥有近4000万粉丝的root用户Caijin发布了世界上第一个基因编辑婴儿在中国出生的原始微博。这条消息引发了热烈的讨论，短时间内就有9000多人转发了这条消息。

放大和探索详细的主题需求-大陆。我们放大地图，发现与事件相关的关键词，如“人类”、“伦理”和“基因”出现的频率很高。人们也对这个实验表现出惊讶和关注(图9a)。通过对这些关键词的分析，确定了相关微博。有人发帖称:“(惊讶)这是真的吗?([惊讶]表示惊讶的情绪图标)。另一个人感到困惑，说:“它怎么能通过道德检查?”相比之下，很少有转发带有正面情绪。一位用户转发了这条评论，“这项技术可能用于癌症治疗”。
根据需要放大和探索详细的主题-岛屿。我们从大陆上驶向两个遥远的岛屿(图9b, c)。从两个岛屿上的单词词云中，我们发现这两个岛屿有许多共同的关键词，如“world”，“blue”和“clean”，这些都是罕见的积极词汇。一些用户的评论非常相似，包含了“为了保护我们蓝色纯洁的世界”。经过进一步的研究，我们发现这句话来自漫画《高达种子》，讲述的是人类与基因改造人类的协调者之间的战争。当人们在评论中使用这句话时，他们是在表达对这一事件的关注和讽刺。
放大和探索详细的主题需求-主要参与者的行为。在该大陆的左下角发现了更多有价值的信息(图9d)。沿着河流，我们发现了一个名叫DXY(知名医疗集团)的关键参与者，拥有120万粉丝。它转发了最初的微博，并质疑对该实验的道德审查。在转发的消息中，一位没有关注DXY的用户子玲从专业角度分析了这一事件，并表示该实验没有通过道德审查。随后，DXY转发了他的微博，并向观众报告了这一事实。虽然他们不是彼此的关注者(有一条路线相连)，但他们在这个问题上讨论得很热烈，涉及很多人。随后，DXY转发了之前的微博，并添加了更多关于这项研究的信息。由于莆田在中国的声誉不佳，“本研究伦理经莆田某医院批准”的说法引发了进一步的讨论，并引发了负面情绪。

在这个案例中，通过分析一个热点事件的微博，我们可以看到转发的话题虽然不同，但都与中心事件相关。与类似主题相关的转贴被集中在地图上。此外，用户的行为，如与有影响力的人讨论，会使转发结构更加复杂。

七、评估

为了评价R-Map，我们进行了用户研究，考察了用户对R-Map隐喻的理解程度，并利用该系统分析了原创微博的转发过程。我们邀请了14名具有基本视觉化知识的参与者(9名男性和5名女性)。在参加了10分钟的教程后，参与者被要求分析6.1节案例中的社交媒体数据。我们记录了参与者对每个任务的回答和完成时间，然后是一个包含七个问题的关于隐喻设计的原理和系统的可用性的问卷调查。

上图显示了7个任务以及相应的准确度级别。参与者平均在15分钟内完成所有任务。T1、T2、T5的准确率均为100%，说明R-Map在揭示用户不同行为方面的有效性。对于T3和T4，一些用户误读了河流和桥梁的含义，导致错误的答案。对于T6，一些参与者没有识别出三个主要的扩散阶段，因为他们忽略了时间轴视图的非线性映射。对于T7，一些参与者忽略了每个关键参与者的转发时间。

下图显示了参与者评估的七个方面的得分。总体而言，参与者对该系统感到满意，能够很容易地理解地图上的隐喻。然而，Q6和Q7的评级低于其他季度。这可能是因为与一维时间轴相比，时间信息在2维布局上不容易跟踪。

参与者接受了关于这个系统的利弊的采访。大多数参与者认为地图设计是直观和创造性的。他们还提供了完善系统的合理建议，如“我认为情绪的计算可以改进。”，“我不能有效地获取扩散路径的详细信息”，这些都是进一步工作的良好起点。

八、讨论

8.1 优势

在可视化分析领域，语义地图的构建越来越受到人们的关注。
探讨了R-Map与最近提出的D-Map[9]、D-Map+[8]和E-Map[7]等语义地图在分析任务、视觉隐喻和新颖性等方面的差异。D-Map侧重于以自我为中心的信息扩散，而D-Map+和E-Map侧重于事件分析。而R-Map则侧重于单个微博的深度扩散分析。在视觉隐喻方面，D-Map和D-Map+采用六边形地图设计，E-Map和R-Map采用自然的地图形式。与E-Map相比，在R-Map中国家、地区、县的含义不同。R-Map还使用了两个独特的隐喻:桥梁和路线。R-Map的构造同时考虑了转发结构和语义，而以往的研究并没有同时考虑这两个方面。

8.2 局限

R-Map提供了直观的映射隐喻，帮助从结构和语义的角度探索转发数据。虽然新颖和强大，提出的可视化有一些限制。

首先，生成的地图形状依赖于提取的关键人物;
当提取的关键人物改变，地图的形状也将改变。更多的关键人物可以从地图的概览中提供更多的见解，但布局将不紧凑，并需要更多的空间。因此，我们需要在空间效率和结构之间找到一个平衡。
为了弥补结构信息的损失，提出了一种用颜色编码节点级别的时序布局方法。我们还强调了每个国家内的一些重要节点，以指导用户探索树的转发结构。
其次，地图上太多的视觉属性可能会带来视觉混乱。地图中使用的隐喻和词汇云提供了足够的信息，但用户可能会感到不知所措。
我们允许用户根据自己的需要控制视觉元素在地图上的显示。
第三，可以利用最先进的自然语言处理技术改进情感检测方法。

8.3 其他应用场景

R-Map是用来分析微博转发数据的，但它也可以应用于其他社交媒体数据，比如Twitter。一条推文可以被twitter用户转发，类似于在微博上转发。
我们还设想R-Map的进一步发展，作为一种不局限于社交媒体数据的通用方法。例如，R-Map可以用于可视化公司结构，其中source lake是公司的创始人，lakes是不同部门的负责人。每个部门(国家)可以划分为不同的组(地区)，河流、路线和桥梁可以编码不同部门之间的业务关系。我们打算将我们的系统应用到这些领域，并与领域专家一起评估我们的方法。

九、结论

提出了一种新的可视化方法，称为R-Map，对信息转发过程进行了直观的总结。将转发的特征转化为不同的地图隐喻，构建一个生动的地图。扩散结构可以通过河流、路线和桥梁等多种链接隐喻进行可视化。主题和情感的分布也用不同的区域和颜色在地图上可视化。
开发了一个可视化分析系统来揭示真实世界数据集的扩散模式。
我们提出两个案例和一个用户研究来证明R-Map的有效性和可用性。在未来的工作中，我们将把R-Map扩展到其他数据和领域。

十、收获

1、文中所做的工作不仅包括一种新的地图隐喻可视化方法的构造和可视化系统的设计，还进行了两个角度的案例分析、用户评估研究以及文中未提到的数据的获取和处理工作，所做的工作十分完整，并且方法创新性、应用性都比较强。

2、该方法的其他应用场景也可以是文献数据分析，如分析一个课题组的学术成果演变等，如其中source lake是课题组的创始导师，lakes是不同研究方向的负责学生。每个研究方向(国家)可以划分为不同的组(地区)，河流、路线和桥梁可以编码不同研究方向之间的交叉关系。

R-Map之前的相关工作
[7] S. Chen, S. Chen, L. Lin, X. Yuan, J. Liang, and X. Zhang. E-map: A visual analytics approach for exploring significant event evolutions in social media. In Proceedings of IEEE Conference on Visual Analytics Science and Technology, pp. 36–47, 2017. doi: 10.1109/VAST.2017.8585638
[8] S. Chen, S. Chen, Z. Wang, J. Liang, Y. Wu, and X. Yuan. D-map+: Interactive visual analysis and exploration of ego-centric and event-centric information diffusion patterns in social media. ACM TIST, 10(1):11:1–11:26, 2019. doi: 10.1145/3183347
[9] S. Chen, S. Chen, Z. Wang, J. Liang, X. Yuan, N. Cao, and Y. Wu. Dmap: Visual analysis of ego-centric information diffusion patterns in social media. In 2016 IEEE Conference on Visual Analytics Science and Technology, VAST 2016, Baltimore, MD, USA, October 23-28, 2016, pp.41–50, 2016. doi: 10.1109/VAST.2016.7883510

论文研读-社交媒体可视化-地图隐喻转发地图R-Map相关推荐

论文阅读-社交媒体上的谣言检测：数据集、方法和机会
论文链接:https://aclanthology.org/D19-5008.pdf 目录摘要引言 1.1谣言检测 1.2 问题陈述 1.3 用户立场 2 数据集和评估指标 2.1 数据集 2.2 ...
论文研读-文献聚类可视化-文献聚类结果可视分析方法研究
文献聚类结果可视分析方法研究 1 论文概述 1.1 摘要 1.2 引言 1.3 脉络 2 可视分析框架 2.1 框架概述 2.2 框架组成 3 可视化设计 3.1 语料结构可视化 3.2 语料内容可视 ...
CVPR禁令出台：审稿期间禁止主动在社交媒体宣传论文！LeCun：阻碍科学交流，简直疯了...
来源:新智元 [导读]计算机顶会CVPR颁布「社交媒体」禁令,在论文审稿期间,禁止论文作者以任何形式通过社交媒体对论文进行讨论或自我宣传,但Arxiv不在禁止之列.此令一出,社区炸锅,反对者众. 对于 ...
论文研读-图可视化-NetV.js:Web端可视化工具库
NetV.js:一个基于网络的用于大规模图和网络的高效可视化的库 1 论文概述 1.1 文章摘要 1.2 引言 1.3 文章脉络 2 相关工作 3 设计 3.1 设计要求 3.2 设计细节 3.2.1 ...
2021-10-19 [可视化-经验]如何研读一篇可视化分析论文✈
从选文献到在组会上完成研读的tips 这是我第一次进行论文研读,在学姐的悉心指导下顺利完成,因此打算记录下此次研读,提醒自己,也可以为其他人研读作为参考论文选择既然是要仔细阅读的文献,就应该精挑细 ...
论文推荐精选｜问AI应该做什么；社交媒体压力分析数据集；AutoGAN；车牌拍卖预测
「本周论文推荐精选」是 Paper 研习社推出的全新栏目,展现社友们在研习论文的过程中,推荐自己所阅读到的优秀论文,帮助大家一起学习.讨论每个领域最新.最精彩的学术论文. ① #人工智能# #人机交互 ...
论文研读-机器学习可视化-面向可视解释的零样本分类主动学习
面向可视解释的零样本分类主动学习 1 文章概要 1.1 摘要 1.2 引言 1.2.1 零样本分类 1.1.2 解决方案 1.2.3 文章贡献 1.3 组织结构 2 相关工作 3 用于零样本学习的人机 ...
论文阅读：A Survey of Textual Event Extraction from Social Networks 综述：从社交媒体中抽取文本事件
A Survey of Textual Event Extraction from Social Networks 综述:从社交媒体中抽取文本事件目录 A Survey of Textual Eve ...
在线社交媒体信息冗余现象建模与实证研究
在线社交媒体信息冗余现象建模与实证研究秦烁,吕欣,孟凡辉,胡延庆国防科技大学系统工程学院,湖南长沙 410073: 中南大学商学院,湖南长沙 410083: 卡罗林斯卡研究所公共卫生科学系,瑞 ...

论文研读-社交媒体可视化-地图隐喻转发地图R-Map