读数据可视化24跨媒体数据(下)

1. 超媒体

1.1. Hypermedia

1.2. 超媒体可看成超文本（Hypertext）和多媒体的集合

1.3. 跨媒体

• 1.3.1. Cross-media

• 1.3.2. 指信息在不同媒体之间的分布与互动

• 1.3.3. 指信息在不同媒体之间的交叉传播与整合

• 1.3.4. 指通过学习、推理及其他智能型操作，实现从一种媒体类型到另一种媒体类型的跨越

• 1.3.5. 文本、图像、语音、视频及其交互属性紧密混合在一起，即为“跨媒体”

• 1.3.6. 跨媒体数据可以帮助科学家对于自然科学和社会科学的探索

1.4. 超媒体或跨媒体是新兴的数据模态，在移动互联网领域无处不在，例如网页、网络日志文件和社交网络等

1.5. 社交媒体可视化

• 1.5.1. 社交媒体和传统的电视、报纸、广播等媒体一样，都是传播信息的渠道，是交流、传播信息的载体

• 1.5.2. 以因特网为传播途径和载体，快速地传播和分享最新的新闻资讯

• 1.5.3. 微博

• 1.5.3.1. 作为一种热门的社交媒体，又兼具社交网络和博客的特点

• 1.5.3.2. 微博逐渐从单纯的社交工具成为比普通大众媒体更快、更及时传播新闻的媒介，成为真实社会在虚拟世界的一个映射

• 1.5.4. 内容可视化

• 1.5.4.1. 文本是社交媒体数据的主要部分

• 1.5.5. 统计信息可视化

• 1.5.5.1. 对微博进行统计分析，并用统计图表呈现分析结果也是常用的方法之一

• 1.5.6. 位置信息可视化

• 1.5.6.1. 智能手机系统获知了用户的地理位置并发布的微博系统

• 1.5.6.2. 随着微博在人们日常生活中的密集使用，可视化微博所发出的地理位置甚至能呈现人口密集的区域

• 1.5.7. 时变信息可视化

• 1.5.7.1. 微博作为一种社交媒体，与传统的新闻媒体一样，都有很高的时效性

• 1.5.7.2. 特别是当热点新闻事件发生时，人们在微博中对相关消息的转发以及所发表的相关言论随着事件的发展瞬息万变

• 1.5.7.3. 使用动态可视化有时能更好地展示微博数据中的*动态特征

• 1.5.8. 信息挖掘可视化

• 1.5.8.1. 社交媒体数据不仅包含内容和时间、地理等属性，更是*反映用户情感和记录社会事件的媒介

• 1.5.8.2. 可以从信息挖掘的角度进行可视化

• 1.5.8.3. 社交媒体数据记录了信息在*社团间传递的过程

1.5.8.3.1. 根据传递的先后顺序产生用户之间的层次关系

• 1.5.8.4. 话题竞争模型*，以表征意见领袖在社交媒体上推动多个话题的行为

1.5.8.4.1. 意见领袖被描绘成聚合或分歧的线索

• 1.5.8.5. 合作与竞争是社交媒体上一组相关话题之间相互作用的两种模式

• 1.5.8.6. 挑战的根源在于数据分析师能否及时识别诸如流行话题和新闻价值事件等更传统模式的异常信息行为，例如*传播谣言或错误信息

1.6. 社交网络可视化

• 1.6.1. 社交网络

• 1.6.1.1. Social Network Service,SNS

• 1.6.1.2. 作为一种新兴的网络媒介和信息传播模式，在人类生活中日益得到推广和普及

• 1.6.1.3. 节点

1.6.1.3.1. Node

1.6.1.3.2. 网络中的独立主体

• 1.6.1.4. 边

1.6.1.4.1. Edge

1.6.1.4.2. 节点之间的关系纽带

1.6.1.4.3. 在社交网络里，边的内涵是多种多样的，如亲属关系、朋友关系、敌对关系、关注关系

• 1.6.1.5. 社交网络图

1.6.1.5.1. Social Graph

1.6.1.5.2. 社交网络图是节点和边的集合

1.6.1.5.3. 通常可以用G={V,E}表示图的数据结构，其中V是节点的集合，E为边的集合

• 1.6.1.6. 完全连通子图

1.6.1.6.1. Clique

1.6.1.6.2. 用记号G＇表示社交网络图G的某个子图，如果G＇的任意两个节点之间都存在边，则这样的子图被称为完全连通子图

1.6.1.6.3. 是对社交网络进行聚类的重要依据之一

• 1.6.1.7. 社区

1.6.1.7.1. Community

1.6.1.7.2. 社交网络中常常出现一些相互联系较紧密的小群体，且不同群体之间的联系较为松散，我们将这样的小群体称作社区

• 1.6.1.8. 节点的中心性

1.6.1.8.1. Centrality

1.6.1.8.2. 一个节点的度（Degree）被称作该节点的中心性

• 1.6.1.9. 边的中介性

1.6.1.9.1. Betweenness

1.6.1.9.2. 被定义为一条边处于连接任意两个节点的最短路径上的概率

• 1.6.1.10. 是复杂网络的一种

1.6.1.10.1. 早在现代互联网技术兴起之前，社交网络就是社会学和人类学的重要研究对象

1.6.1.10.2. 它与自然界中的其他网络（如蛋白质互相作用网络、神经网络、因特网、航空网等）存在着相似性

1.6.1.10.3. 其他网络所不具备的一些性质

Relationship:

• 1.6.1.11. 小世界网络

Relationship:

1.6.1.11.1. Small-world Network

1.6.1.11.2. 来源于人们意外发现自己和另一个人原来共有一个朋友的时候，常常发出的感叹“世界真小”​

1.6.1.11.3. 如果一个网络中任意两个节点之间的最短路径L和节点总数N的对数成正比关系，即L∝log（N）​，那么这样的网络就被称作小世界网络

1.6.1.11.4. 虽然节点数目很大（如一个城市的所有人口的社交网络）​，但节点之间的最短距离的平均值L却出乎意料的小，这就是“六度分隔”猜想的来源

• 1.6.1.12. 无尺度网络

Relationship:

1.6.1.12.1. 无尺度Scale-free

1.6.1.12.2. 与普通随机网络之间最主要的区别

1.6.1.12.3. 所谓随机网络，是指给定一个节点数为N的图，以一个常数p为概率决定任意两个节点之间是否有边而建立的网络

1.6.1.12.4. 无尺度网络的显著特征是存在着少数关键性的度数很高的节点，例如因特网中的门户网站、航空网络中的交通枢纽城市、微博中受到大量关注的名人、论文合作关系网中的学术明星等

• 1.6.1.13. 社交网络中的马太效应

• 1.6.1.14. 网络的规模常常会超过可视化可以利用的显示空间

• 1.6.2. 来自在线社交网络服务的数据不仅包含核心的社交网络，也包含了在网络中传播的文本、图片、视频等数据，因此也属于超媒体数据的一类

• 1.6.3. 为了突出核心的社会关系地位，通常的做法是*将对应的点尺寸变大并置于中心位置

• 1.6.3.1. 另一种做法是采用*标靶式布局展现不同级别的社会关系

• 1.6.4. 社交网络可视化的首要方法是节点-链接图，其中节点代表社交网络中的人，用边表示人与人之间的社交关系

• 1.6.5. 通过对节点位置的合理布局，节点-链接图往往可以很好地展示社交网络的聚类、连通性等特征，因此，选择合理的布局算法是采用节点-链接图方式需要解决的一个关键问题

• 1.6.6. 力引导布局方法是展现社交网络特征的最好方式之一

• 1.6.7. 力引导布局方法在商业应用上得到大力推广，许多主流的社交网站均自主或依赖第三方开发了基于它的网络可视化应用，以帮助用户观察自己的社交圈的全貌

• 1.6.8. 使用图的方式直接描述社交网络的优势在于直观明了，特别是结合恰当的布局方法之后，图可以清晰地展现网络的聚类、连通度等属性

• 1.6.8.1. 缺点在于可扩展性（Scalability）较差：随着节点和边的数目急剧增加，在有限的可视化空间里，边和节点的互相遮挡会比较严重

• 1.6.8.2. 解决这类问题有很多方法，其中最有效的方法之一是按照信息可视化的“概览+细节”​（Overview plus Detail）这一通行准则，对图进行层次式简化

1.6.8.2.1. 重要原因是，用户通常不是对全部用户的细节感兴趣，而是希望看到数据整体呈现的规律，再按需查找感兴趣用户

• 1.6.8.3. 还可通过交互方法，在节点-链接图的局部区域去除边对节点的相互遮挡

• 1.6.9. 邻接矩阵

• 1.6.9.1. Adjacency Matrix

• 1.6.9.2. 矩阵A的元素Aij代表从第i个节点到第j个节点是否有边，对于无向图而言，对应的邻接矩阵应该是一个对称矩阵

• 1.6.9.3. 社交网络对应的邻接矩阵常常是一个*稀疏矩阵

• 1.6.9.4. 利用矩阵重排来展示社交网络关系的代表性工作是邻接矩阵与节点-链接图相结合的混合可视化模型：*NodeTrix

2. 数字生活可视化

2.1. 随着计算机与网络技术的普及，数字技术正在逐渐改变人类的生活空间和社会环境，使得原来人类生活中和数字化毫不相关的部分

2.2. 可以用数字化的方式记录下来，并且成为可以被分析的目标

2.3. 数字化的每日生活数据可以作为可视化的来源

2.4. 相比于传统文字简历枯燥的列表式叙述，可视化简历的时间年表可以更加清楚地展示个人经历的时间脉络，不同经历所占时间比例、待业的时间长短、更换工作的频度、升职的速度等，无不一目了然