Visualisation and Dynamic Aggregation of Semantic Graphs

4 1. Einleitung
Dynamische Aggregierung
Aggregierung stellt eine effektive Möglichkeit zur Behandlung großer Datenmengen dar. Vor allem in
Verbindung mit größeren Graphen spielt das Konzept eine entscheidende Rolle. Im Kontext dieser Masterarbeit
wird das Zusammenfassen bestimmter Teile des Graphen sowie die anschließende Visualisierung
als Aggregierung bezeichnet. Die Identifikation einzelner Gruppen erfolgt unter Verwendung verschiedener
Clustering-Techniken. Nodes, Edges bzw. Sub-Graphen werden aggregiert und mithilfe eines
entsprechenden Symbols (Icons) dargestellt. Ziel ist die Reduktion der visuellen Komplexität bzw. eine
Vereinfachung des ursprünglichen Graphen. Der dynamische Charakter ergibt sich aus der Kombination
von Clustering-Techniken zur Auffindung von zusammengehörenden Elementen, und den verschiedenen
Möglichkeiten zur interaktiven Anpassung bzw. Modifikation der Aggregation.
1.4 Vorhandene Arbeiten
Zu den Themen Information Visualisation im Allgemeinen bzw. Graph Visualisation im Speziellen findet
sich eine Vielzahl von Arbeiten, Artikeln und Abhandlungen. Oft liegt der Fokus dabei auf graphtheoretischen
Aspekten bzw. auf speziellen Fragestellungen des Graph Drawings. Eine Reihe von Publikationen
widmet sich auch der Behandlung bzw. der Repräsentation semantischer Informationen mit dem
Schwerpunkt der Visualisierung von RDF-Modellen in Form einer Graph- bzw. Netzwerkstruktur. Weiters
existieren verschiedene Softwarepakete zur Graphvisualisierung sowie eine Reihe von Frameworks
und Tools zur Visualisierung von Wissen bzw. Informationen. Ausgewählte Softwarelösungen zur Visualisierung
von Graphen werden in Kapitel 3 näher betrachtet. Nachfolgend sollen einige vorhandene
und ähnliche Arbeiten zum Thema kurz vorgestellt werden.
Das Paper von [Herman et al., 2000] bietet einen Überblick über verschiedene Graphvisualisierungsund
Navigations-Techniken. Der Schwerpunkt liegt auf der Betrachtung verschiedener Aspekte der Graphbehandlung
aus Sicht der Information Visualisation. Im Zuge dessen werden grundlegende Layout-
Algorithmen und Navigations-Konzepte besprochen. Besonderes Augenmerk gilt dabei den in Verbindung
mit der Visualisierung großer Graphen auftretenden Problemen und Herausforderungen. Davon
ausgehend werden unterschiedliche Methoden und Techniken zur Reduktion der visuellen Komplexität
großer Graphen vorgestellt und analysiert.
Die Masterarbeit von [Prinz, 2006] widmet sich, neben allgemeinen Aspekten der Information Visualisation,
in erster Linie den theoretischen Grundlagen des Graph Drawings bzw. den zugrundeliegenden
Konzepten der Graphvisualisierung. Dabei werden u.a. Themen aus dem Bereich der Graphentheorie und
Aspekte der Graph-Repräsentation näher behandelt. Einen weiteren Schwerpunkt bildet die Evaluierung
allgemeiner Softwarepakete zur Visualisierung von Graphen. Im Rahmen dieser Arbeit wird auch die
Implementierung eines Graphvisualisierung-Frameworks beschrieben. Die Software bietet eine geeignete
Infrastruktur zur einfacheren Implementierung und Analyse von neuen Graph Drawing Algorithmen
und dient in erster Linie Lehrzwecken.
[Wong et al., 2006] beschreibt ein Framework zur visuellen Analyse von großen semantischen Graphen.
Im Rahmen dieses Papers werden das generelle Design des Frameworks sowie zugrundeliegende
Konzepte und Techniken der Graph- bzw. Netzwerk-Visualisierung und Netzwerk-Analyse näher
erläutert. Das als Have Green bezeichnete Framework bietet eine interaktive Umgebung zur Visualisierung,
Exploration, Navigation sowie diverse Möglichkeiten zur Abfrage (Querying) von großen semantischen
Graphen.
[Abello et al., 2006] beschreibt ein Node-Link basiertes Visualisierungssystem für Graphen mit einer
Größe von bis zu 16 Millionen Edges. Das Paper widmet sich in erster Linie den Problemen bei der Visualisierung
großer Graphen und präsentiert in weiterer Folge mögliche Lösungsansätze. Das vorgestellte
Visualisierungssystem verwendet zur Interaktion und Navigation ein Node-Link Layout eines geclusterten
Graphen. Verschiedene Algorithmen erlauben dabei die Erstellung einer hierarchischen Cluster-