دانلود ترجمه بررسی و تحلیل دیداری نمودارها در مقیاس بزرگ – مجله IEEE

بخشی از ترجمه:

چکیده ترجمه:
امروزه روش های جدید ارائه شده به منظور تجسم و تحلیل شبکه، از متریک های پیشرفته ای استفاده می کنند که اجازه ی دسته بندی و فیلترینگ گره , و همچنین مشاهده ی تعاملات بین گره ها را می دهد. یکی از پژوهش هایی که در زمینه ی چیدمان گراف و متد های ساده سازی صورت گرفته است، حاکی از پیشرفت قابل ملاحظه ای در این زمینه، یعنی تجسم و تحلیل شبکه بوده است.
داده های رابطه ای را میتوان یکی از کلاس های اصلی اطلاعات دانست که به نظر میرسد در آرایه ی بزرگی از اصول، از جامعه شناسی و زیست شناسی گرفته تا مهندسی و علوم کامپیوتر متغیر است. بر خلاف داده های متنی، فضایی و n بعدی، داده های رابطه ای متشکل از یک مجموعه از نهاد ها و یک شبکه از روابط بین آنها میباشد. بعضی از شبکه ها، روابط را انتزاعی را مورد پوشش و نمایش قرار می دهند، مانند دوستی یا نفود؛ بعضی دیگر، شبکه های فیزیکی را مانند روتر ها و یا توزیع انرژی نمایش می دهند.
با توجه به رشد روز افزون اپلیکیشن های شبکه ی جریان اصلی، توانایی در تحلیل مجموعه داده های پیچیده، به امری ضروری مبدل گشته است. ویکیپدیا، دارای میلیون ها مقاله بوده که یک شبکه ای از ارجاع های متقابل را تشکیل می دهند. شبکه ی اجتماعی فیس بوک، بیش از یک میلیارد انسان را در یک ساختار بسیار پیچیده از دوستان، دعوت گروه، بازی ها، تبلیغات، چت های ویدنویی و متنی دور هم گرد آورده است. این شبکه ها و شبکه های مشابه، هر روز به توسعه ی خود ادامه می دهند.
استفاده از آمار و ارقام ساده به منظور ارائه ی دلیل موجهی برای تشریح پویایی چنین شبکه های پیچیده ای، عملی و یا کارآمد نیست. تحلیلگران در حال موضع گرفتن به سمت تجسم این شبکه ها نه به عنوان پروسه ای انفعالی از تولید تصاویر از اعداد ، بلکه به عنوان متد های بسیار تراکنشی که نمایش های بصری را با تحلیل های شبکه ترکیب کرده تا توانایی درک این شبکه ها را بهبود دهد، می باشند. چنین تحلیل هایی، نتایج عمده ای را نیز به همراه داشته است. به عنوان مثال، تحلیل های صورت گرفته شده بر روی شبکه های اجتماعی، الگوهایی را در مورد گروهی از دوستان یا جمعیت نشان داده است. تحلیل شبکه ی توزیع انرژی نیز حاکی از نکاتی کلیدی برای بهبودی های زیرساختار بوده است.
طراحی گراف که از اوایل دهه ی ١٩٩٠ میلادی آغاز گردیده است، یکی از حوزه های پژوهشی مختص به تجسم ساختار شبکه ها می باشد.
یکی از رایج ترین روش های تجسم و نمای شبکه ها، استفاده از دیاگرام های لینک-گره بوده که در آن، گره ها نماینده ی عامل ها بوده و لینک بین این گره نیز روابط بین این عامل ها را نشان می دهد. اگرچه چنین متدی نسبتاٌ ساده بوده می توان از آن برای تجسم شبکه های کوچک مقیاس استفاده کرد، ولی برای تجسم شبکه هایی پیچیده با مقیاس بزرگتر، اصلاٌ عملی و کاربردی نیست.

بخشی از مقاله انگلیسی:

Relational data is one of the primary classes of information and appears in a wide array of disciplines,ranging from sociology and biology to engineering and computer science. Unlike spatial, n-dimensional, or text data, relational data consists of a set of entities and a network of relationships among them. Some networks represent abstract relationships, such as author influence or friendship; others represent physical networks, such as power distribution or routers. With the growing popularity of mainstream network applications, the ability to efficiently analyze complex data collections has become critical. Wikipedia has millions of articles that form a network through cross-references. Facebook connects more than a billion users in an incredibly complex structure of friends, group invitations, games, advertising, video chats, and so on. These and similar networks continue to expand and evolve daily. Using simple statistics to reason about the dynamics of such complex networks is not generally effective or practical. Rather, analysts are turning to visualization— not just the passive process of producing images from numbers, but highly interactive methods that combine visual representations with network analytics to greatly enhance the ability to understand and characterize networks. Such analysis can yield important insights. Social network analysis, for example, can reveal patterns about groups of friends or popularity, and the analysis of a power distribution network can indicate key points for infrastructure improvements. Graph drawing, which began in the 1960s, is a field of research dedicated to visualizing a network’s structure. One of the most common and intuitive representations is the node-link diagram, in which nodes represent actors and the links between nodes represent the actors’ interrelationships. Although this method is relatively straightforward and practical for visualizing small networks, it can be overwhelming for large, complex networks. Time-varying networks, such as Facebook, impose additional challenges. A social network grows with each new friendship or alliance and shrinks when friendships grow distant or break apart. Because each node addition or deletion can affect larger-scale patterns, such as clusters, finding and understanding small changes can provide insights into the entire network’s evolution.