26.3. 本章小结#
信息可视化与科学可视化相比，面临更加多样、非结构化的数据类型，需要设计更加新颖、灵活的视觉映射和隐喻，更加关注用户的交互探索和洞见获取。信息可视化是一个需要融合数据科学、可视化、人机交互、认知心理等多学科知识的综合研究领域。
从数据的角度看，信息可视化需要开发数据驱动的可视化技术，探索非结构化、跨媒体数据的有效表示、语义提取和融合分析方法，设计面向可视推理、知识发现的数据变换与映射模型。
从任务的角度看，信息可视化需要关注用户的可视分析需求，研究支持数据探索、假设推理、决策制定的交互机制和评估方法，实现”人-信息-环境”的无缝耦合。
从用户的角度看，信息可视化需要遵循以人为本的设计理念，深入理解用户的感知认知特点、审美情趣、个性化偏好，提供易学易用、美观高效的可视分析工具。
展望未来，大数据时代为信息可视化带来了海量的数据资源，但也带来了数据的异构性、噪声、动态性等诸多挑战。人工智能、沉浸式分析、可解释性等新兴技术，为信息可视化开辟了更广阔的研究空间。可视化研究者应积极拥抱变革，创新思路，探索数据驱动的智能可视分析新范式，用”可视化+X”的思路去拓展信息可视化的边界，提升信息可视化在数字经济时代的应用价值和社会影响。
26.3.1. 习题#
在词云生成中，单词布局算法是核心技术之一，需解决词语碰撞检测、空间利用率和可读性等关键问题。
（1）在图 26.34 中，我们展示了设定特定图像形状边界后在该图形内部生成词云的结果，这是怎么实现的呢？
（2）我们介绍了 EdWordle 方法，它将单词之间的相互作用建模成刚体的相互作用，从而辅助单词在画布上的排布。请尝试实现这一方法。除此之外，你还能想到什么办法可以辅助决定词云的布局？
图可视化中常用的布局算法包括力导向布局（force-directed layout）和基于聚类的布局方法（cluster-based layout）。请尝试给出这两种方法的基本原理和算法流程，并分析它们各自的优势。在实际应用中，我们能否将这两种方法相结合，设计一种混合策略，使得最终布局既能自然排布、又能突出群组结构？请尝试设计并实现一种具体的布局算法。
26.3.2. 参考文献#
William S. Cleveland. Visualizing Data. Hobart Press, 1993.
William S. Cleveland. The elements of graphing data. Wadsworth Publ. Co., USA, 1994.
Thomas M. J. Fruchterman and Edward M. Reingold. Graph drawing by force-directed placement. Software: Practice and Experience, 21(11):1129–1164, 1991.
Thomas M. J. Fruchterman and Edward M. Reingold. Graph drawing by force-directed placement. Software: Practice and Experience, 21(11):1129–1164, 1991.
David Harel and Yehuda Koren. Graph drawing by high-dimensional embedding. In Revised Papers from the 10th International Symposium on Graph Drawing, GD '02, 207–219. Berlin, Heidelberg, 2002. Springer-Verlag.
Jeffrey Heer and Danah Boyd. Vizster: visualizing online social networks. In Proceedings of the Proceedings of the 2005 IEEE Symposium on Information Visualization, INFOVIS '05, 5. USA, 2005. IEEE Computer Society.
Julian Heinrich, John T. Stasko, and Daniel Weiskopf. The parallel coordinates matrix. In Eurographics Conference on Visualization. 2012.
T. Kamada and S. Kawai. An algorithm for drawing general undirected graphs. Inf. Process. Lett., 31(1):7–15, April 1989.
Mark E. J. Newman. Fast algorithm for detecting community structure in networks. Physical review. E, Statistical, nonlinear, and soft matter physics, 2003.
Yunhai Wang, Xiaowei Chu, Chen Bao, Lifeng Zhu, Oliver Deussen, Baoquan Chen, and Michael Sedlmair. Edwordle: consistency-preserving word cloud editing. IEEE Transactions on Visualization and Computer Graphics, 24:647–656, 2018.
Furu Wei, Shixia Liu, Yangqiu Song, Shimei Pan, Michelle X. Zhou, Weihong Qian, Lei Shi, Li Tan, and Qiang Zhang. Tiara: a visual exploratory text analytic system. In Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD '10, 153–162. New York, NY, USA, 2010. Association for Computing Machinery.
Hong Zhou, Xiaoru Yuan, Huamin Qu, Weiwei Cui, and Baoquan Chen. Visual clustering in parallel coordinates. In Proceedings of the 10th Joint Eurographics / IEEE - VGTC Conference on Visualization, EuroVis'08, 1047–1054. Chichester, GBR, 2008. The Eurographs Association & John Wiley & Sons, Ltd.