可视分析技术已经发展了近十年。在这些年间，人们研究了大量的可视分析方法和案例，发表了不少研究论文。然而，对于一些基本问题，人们依然没有明确 的答案。例如，一个基本的可视分析流程是怎样的？一个可视分析系统应该包含哪几个组件？如何评价和比较不同的可视分析系统？在VAST’2014的一篇论 文中[1]，Sacha等人提出了一个可视分析模型，系统性的回答了以上问题。
如图1所示，他们的模型包含左边计算机的部分和右边人的部分。在计算机部分中，数据被绘制为可视化图表，同时也通过模型进行整理和挖掘。可视化图表 既可以显示原始数据的特性，也可以显示模型的结果。用户也可以基于可视化图表来对模型进行调整，指导建模过程。在人的部分中，作者提出了三层循环：探索循 环、验证循环和知识产生循环。在探索循环中，人们通过模型输出和可视化图表寻找数据中可能存在的模式，基于此采取一系列行动，例如改变参数，去产生得到新 的模型输出和新的可视化图表。这样做的动机在验证循环之中：人们通过模式洞察到数据的特点，产生可能的猜测。这些猜测的验证正是基于探索循环中的行动。最 后，在验证循环之上有知识循环，不断的收集验证循环中已被验证的猜测，总结为知识。
图 1. 可视分析中的知识产生模型
本模型的提出是建立在已有的各种模型的基础之上的，如图2所示。例如，之前的信息可视化流程图描述了如何从数据产生可视化图表，数据挖掘流程图则描 述了如何对数据进行预处理和建模并最终得到分析结果。之前的交互步骤模型描述了人在分析过程中的评价、目标产生和执行步骤，意义构建模型则描述了人在整个 分析过程中对问题理解的加深。它们在本模型中被分解为三层循环。此外，众多的交互词汇系统的描述了探索循环中的行为。
图 2. 本模型和已有模型之间的关系
作者利用本模型对一些实际的可视分析系统进行了评价和比较，如图3所示。Jigsaw是一款免费的文本可视分析系统[2]，它可以读入文本数据，自 动提取实体，建立主题模型，因此强于建模。此外，它提供了一系列可视化图表来显示文本的各种特征，因此也强于可视化。它的许多可视化，例如文件聚类视图， 是基于主题模型的，因此可以算是对模型的可视化。用户可以在多种视图之间切换，改变各种视觉特性，因此它很好的支持了探索循环。此外，它还提供了 tablet视图，允许用户记录自己的发现，并整理归类，提供了一定的验证循环支持。然而，Jigsaw不支持对原始数据预处理，也不太支持模型参数选 择。
Weka是一款免费的数据挖掘系统 [3]，它允许用户对数据进行一系列的预处理，例如数据删除、离散化、文本分词等等，同时支持大量的数据挖掘算法，涵盖了各种分类、聚类、关联规则挖掘模 型。但是该系统支持的可视化相当有限，例如显示散点图矩阵，或者显示决策树结果、显示神经网络结构。另外，用户探索仅限于更换预处理方法和更换模型，功能 较为简单。用户无法整理自己的发现，因此该系统对验证循环的支持并不好。
Tableau是一款商业化的可视化系统 [4]，它允许用户通过漂亮的UI来预处理数据，通过简单的拖拽来设计各种可视化图表。但是一直以来，它支持的模型很有限，直到今年，Tableau支持 了R语言，它才真正用于建模功能。Tableua支持灵活的数据探索。它还支持spreadsheet和storyboard等强大的功能，可以生成 MLV视图和类似powerpoint的演示界面。这些都是对验证循环的支持。
nSpace是一款商业化的文本分析系统 [5]，虽然它对数据预处理和数学模型的支持很弱，但是它提供了多种可视化图表显示数据的不同特征。这些图表可以较好的支持数据探索循环。最为与众不同的 是，nSpace提供了sandbox界面用于组织用户的发现，并生成结果报告。该功能比Jigsaw的tablet和Tableau的 storyboard更为强大，能较好的支持验证循环。
图 3. 利用本模型对不同的可视分析系统进行评价和比较
作者也谈到，本模型具有一些局限性，比如未考虑多个分析人员之间的协作与交流，未考虑不同可视分析系统之间的切换，未考虑分析人员和领域专家、政府官员之间的沟通，未考虑动态变化的流数据。这些问题可以进一步研究。
基于此模型，作者展望了未来可视分析的研究方向。例如，在探索循环中，研究者可以更多的考虑通过可视化与数学模型进行交互的技术，也可以考虑如何引 导用户快速系统的发现数据中的模式，或者如何自动检测模式。在验证循环中，研究者可以如何保存之间的探索结果，以方便回溯，验证其可靠性。研究者可以考虑 如何组织不同的探索结果，辅助用户产生假设，甚至自动产生假设。在知识发现循环中，研究者可以做的比较少。毕竟，知识发现只在人脑中。但研究者可以提供更 多更方便的可视化视图和数学模型，方便用户从多个角度考虑同一个数据、同一个问题。这样，也许用户更容易最终得到有用的知识。
[1] Dominik Sacha, Andreas Stoffel, Florian Stoffel, Bum Chul Kwon, Geoffrey Ellis, and Daniel Keim, Knowledge Generation Model for Visual Analytics, IEEE Trans. Vis. Comput. Graph. (VAST’14), 2014, to appear.
[2] C. Görg, Z. Liu, J. Kihm, J. Choo, H. Park, and J. T. Stasko. Combining Computational Analyses and Interactive Visualization for Document Exploration and Sensemaking in Jigsaw, IEEE Trans. Vis. Comput. Graph., 19(10):1646–1663, 2013.
[3] Weka 3: Data Mining Software in Java, http://www.cs.waikato.ac.nz/ml/weka/
[4] Tableau: Visual Analytics for Everyone, http://www.tableausoftware.com/
[5] nSpace: Web 2.0 Analysis, http://www.oculusinfo.com/nspace/
原文链接：http://vis.pku.edu.cn/blog/%E5%8F%AF%E8%A7%86%E5%88%86%E6%9E%90%E4%B8%AD%E7%9A%84%E7%9F%A5%E8%AF%86%E4%BA%A7%E7%94%9F%E6%A8%A1%E5%9E%8B-knowledge-generation-model-for-visual-analytics/
