文集 | 探寻式搜索中结果空间架构可视化研究

2018-03-07 | 文集,入选论文

 

UXPA中国2018文集征稿即将启动

2017年行业论文欣赏

 

本文段落精选

 

游戏乐趣可以产生于玩家以某种通过对游戏身份的精准操作与游戏世界产生强大的交流碰撞中。

 

最一开始要做的就是对需要引导的知识点进行合理设置,包括知识点内容、投放密度、知识结构等。

 

游戏的核心是娱乐,因此往往对于核心玩法的操作引导比对于系统功能的操作引导更为重要。

 

游戏的虚拟世界是一切游戏产生和发展的基础空间。

...

 

 

姜婷婷 1  高慧琴 2

武汉大学,武汉

2 金蝶国际软件集团有限公司,深圳

 

 

摘要:用户已经越来越适应互联网环境,相比于类似传统数据库搜索的查询式搜索任务,如今用户的搜索大多为探寻式。在这样的搜索中,用户搜索目标模糊,过程反复,更需要良好的搜索功能保障这曲折过程中的流畅体验。传统搜索引擎中,结果排序列表式的信息架构往往难以支持用户找到想要的答案,并且给用户带来挫败感,于是搜索结果分类可视化的信息架构应运而生。本文萃取和推导探寻式搜索和信息可视化的相关理论,在对探寻式搜索产品进行调研分析的基础上,本文创新性在于提炼出四种搜索结果可视化的信息架构方式:层级分类式、多面分类式、动态聚类式和社会分类式,并对每种方法辅以实例说明,旨在探索减小用户挫败感,让用户搜索体验流畅、自然、愉悦的奥秘。

 

关键词:探寻式搜索,可视化,信息架构,导航,用户体验

 

1.     引言

 

搜索功能作为一种高效的信息导航方式,存在于几乎所有互联网产品中。随着大数据的急剧膨胀,信息异质性特征不断增强,如今普通用户的搜索行为,已经与传统数据库搜索式的搜索截然不同。现在的互联网用户很少会进行目的明确,信息源高度同质化的“查询式搜索”(Look-up Search),他们的搜索具有目标模糊[1]、使用自然语言或不规范查询式的特点。搜索不再是一件正襟危坐的单次事务,而是可能发生在任何复杂情境之下,可能发生在多任务操作的同时,也可能反复发生。搜索带来一种全局性的复杂体验,在此过程中,用户希望通过搜索快速找到可接受的答案,又或者在搜索的过程中享受信息偶遇的乐趣。在这样的搜索中,用户很难明确地、一次性地用查询式概括出自己的信息需求,他们需要多次与搜索系统交互,从搜索结果中抽取、理解、整合有价值的信息的技能。这种以用户为导向的非线性搜索就是“探寻式搜索”(Exploratory Search)[2]。

正如现实中的探索者需要有罗盘或地图来辅助他们的探险旅行一样,目标模糊,过程反复的探寻式搜索中,用户更需要辅助工具帮助他们在浩瀚的信息宝库中“掘金”,以此来保障搜索任务的完成,且享受良好的搜索体验。与传统的排序列表相比,搜索结果可视化更加直观易懂,可以帮助用户概括出大量搜索结果[3],此外,用户可以更自然的方式,以符合自己直觉的习惯,直接和数据交互,处理、操作数据,一步步归纳出结论[4]。搜索结果可视化是优化用户搜索体验的利器。如果互联网产品在用户搜索信息的过程中无法提供有效且易用的支持,那么给用户信息搜索带来的挫败感(Frustration)将会使产品迅速流失用户。

 

2.     探寻式搜索理论

 

互联网飞速渗透到生活工作的方方面面,搜索信息成为几乎每一个拥有智能手机或接触计算机的人都会去进行的操作。然而,并非每一位互联网用户都具有高超的信息素养,能在复杂的产品中顺利搜索到想要的信息。因此,探寻式搜索在学术界得到越来越多的关注,在业界也逐步走上互联网产品的历史舞台。在学术界,研究者们从探寻式搜索中的信息问题、搜索过程、用户行为、系统设计与开发等多个方面展开研究。在业界,亚马逊(Amazon)、领英(LinkedIn)、脸书(Facebook)等领先的互联网产品也开始尝试多种探寻式搜索功能。本文首先回顾探寻式搜索在学术界的理论基础。

 

2.1   探寻式搜索相关研究

 

Marchionini(2006)曾将用户的搜索任务归纳为三种类型,分别是查询型(Lookup)、学习型(Learn)和研究型(Investigate)[5]。查询型任务是基于事实的搜索任务,用户提交搜索式,系统返回精确的结果。学习型任务需要用户查找、解释和比较结果来获得所需信息。研究型任务则需要用户在寻找新信息的同时,发现和填补自己的知识缺口。探寻式搜索是学习型和研究型任务。

White & Roth对探寻式搜索的定义是“无唯一答案、持续发生、包含多个层面的信息搜索问题背景”,也可以表示为“方向不确定、多次循环、依赖多种方法的信息搜索过程”[6]。在探寻式搜索中,用户很可能对于要搜索的领域并不熟悉,或者在搜索初期并不清楚自己要搜什么,又或者即使用户模糊地了解自己的需求也无法用查询式明确表达出来。

虽然探寻式搜索中存在如此多的不确定因素,但是探寻式搜索并不等同于复杂搜索(Complex Search),Anne& Daniel从搜索目标的复杂性和明确性两个维度区分了探寻式搜索和复杂搜索。影响搜索目标复杂性的是所需信息的数量和搜索信息需要的步数。影响明确性的是搜索者对于搜索目标的理解程度。探寻式搜索发生在用户不确定下一步做什么或者用户需要对于感兴趣的领域了解更多的时候。探寻式搜索中,用户一般提交一个模糊的初始查询,然后以结果为线索进一步探索[7]。

Wilson将搜索过程划分为四个阶段:问题的识别、问题的定义、问题的解决、以及答案的陈述,其中两个相邻阶段的过渡总是伴随着不确定性(Uncertainty)的大幅下降 [8]。而由探索性的信息问题引起的不确定性可能呈现出更明显的波动。当不确定性继续波动甚至上升时,探寻用户将不得不回到上一阶段重新降低不确定性[8]。因此,探寻式搜索过程是由这四个阶段的逐步推进和反馈循环共同组成的[2]。

 

2.2   探寻式搜索系统

 

使用传统的搜索引擎进行搜索时,用户将自己的信息需求用具体的查询式(Query)概括出来,键入到搜索框中,搜索引擎计算文档与查询式的匹配程度后,按照相关度(Similarity)从高到低的顺序将结果列表返回给用户[9],每一条结果以文档标题和一小段原文中抽取出的摘要表示[10]。虽然,传统的排序列表能够良好的反应结果文档与原始查询式之间的相近程度,但是它无法支持用户完成更广泛的搜索任务,比如用户需要操作搜索结果,比较文档,或找到一系列相关的文档[11]。其次,探寻式搜索问题的不确定性和目标的模糊性也使得用户很难用查询式概括出自己的搜索需求。此外,当用户提交含有多重含义的查询式时,传统搜索引擎会将所有相关结果混杂在一起反馈给用户,用户只能浏览大量不相关的结果,从中筛选出有用信息,这使得用户更加力不从心。这些问题将导致用户在搜索过程中愈加焦虑,丧失信心[12]。浏览排序列表变得既枯燥又徒劳[9]。这种挫败感不仅带来糟糕的情绪体验,也往往导致用户多耗费将近一倍的时间[13]。

为了弥补传统搜索引擎在功能实现与用户体验上的不足,更好地支持用户日渐丰富的探寻式搜索需求,各种探寻式搜索系统(Exploratory Search Systems)应运而生。这些系统主要是通过信息分类(Information Classification)和信息可视化(Information Visualization)来优化信息架构(Information Architecture),从而加强用户个体对大规模信息集合的理解效果和操控感受,以此来改善用户搜索体验[6]。

 

3.     探寻式搜索可视化研究

3.1   可视化相关研究

 

McCormick早在1987年就给出了可视化的定义:“可视化是计算的一种方法,它用图形表示抽象信息,以便研究者观察他们的模拟和计算的过程”,“可视化方法丰富了科学发现的过程,培养了研究者深刻的、意想不到的见解”。信息可视化作为单独的研究领域在1989年被提出[14],随后,该领域迅速发展。Card将信息可视化定义成为:由计算机支持的用交互可视化图像代表抽象数据,来增强使用者的认知能力[15]。

基于大型数据存储的可视化研究主要集中在两个方面:1)对初始数据集合本身进行预先计算,产生的静态可视化;2)对初始数据集经过搜索后获得的小型结果集进行动态可视化[16]。后者即为探寻式搜索系统中的搜索结果可视化,通过这种动态查询,可视化能够记录下用户的学习研究历史,使用户能够更灵活的进行视觉探索[17],进而利用自己的视觉感知能力处理抽象的信息[10]。Koshman指出,可视化充分发挥了人类视觉感知处理的高带宽优势,有助于减少甚至消除围绕初始查询式的不确定性,并且显露出原本隐藏在文字列表形式中的搜索结果之间的相互关系,对探寻式搜索能够起到强有力的支持作用[18]。

 

3.2   探寻式搜索系统中的可视化

 

Shneiderman提倡一种信息搜索的交互模型[19],用户首先对信息有个整体把握,然后放大聚焦到有潜在价值的区域,最后再根据需求查看细节。可视化系统可以辅助用户完成信息搜索的每个环节,搜索初期,可视化界面帮助用户利用自己的视觉和空间意识,组织和管理大型的、复杂的信息空间[20],从不同维度呈现初始结果集。在浏览分类结果后,用户可以直接与可视化系统交互,聚焦到感兴趣的结果子集,过滤掉不相关信息,并能随时转变和调整搜索目标[4]。最终,随着探寻的一步步深入,定位到匹配需求的细节信息。

目前为止,大量用户研究显示,搜索结果可视化的方法能够更快更有效的帮助用户完成搜索任务。Kampanya针对可视化系统CitiViz进行的用户测试表明,用户相信搜索结果可视化工具能够比传统工具更简单、更快的帮助他们找到文档[21]。Fox在评价聚类可视化搜索系统CITIDEL的过程中发现,可视化技术是集成多种探寻式搜索组成成分的关键[22]。Kules 和Shneiderman 评价了“分类概览”(Categorized Overviews)完成探寻式搜索任务时的效果,结果表明用户承认“分类概览”(Categorized Overviews)在他们组织、探索和评价结果的过程中起到作用[23]。Kothari 从效率、效果和满意度三个方面,比较了Google的结果排序列表和Carrot2的可视化聚类结果[24],实验中,用户使用Carrot2完成任务的效率高于Google,在实验后用户满意度的调查中,77%的参与者支持探寻式搜索任务中结果以聚类可视化的方法呈现,虽然其中7%的用户在支持的同时担心界面的美观以及速度等问题。

 

3.3   搜索结果可视化

 

搜索结果可视化不止是页面布局中的信息呈现,它是一种结合信息组织技术和视觉引导的信息架构方式,为用户营造了一种交互的情境,支持他们去探索、发现、分析信息。用户在这个可视化的情境中,可以自己利用自己的视觉感知去选择哪些信息是相关的,哪些是不相关的,然后有效把握住真正需要的信息[10],并获得愉悦的体验。

根据可视化抽取的特征的不同,将可视化的方法分为两种[24]:1.对结果文档外部附加信息的可视化;2.对结果文档内部相似关系的可视化。前者抽取的外部信息包括文档的属性(如大小、来源),预定义的主题(如新闻、医疗)等,后者抽取的是结果文档之间的相似关系,用户一旦发现了一篇有用的文档,就可以快速发现相似的结果,地图、树、散点图、文氏图都是内部相似文档可视化常用的技术。

本文在全面调研探寻式搜索可视化系统和相关文献的基础上,按照四个分类归纳了搜索结果分类可视化信息架构的方法,分别为层级分类式(Hierarchical Classification)、多面分类式(Faceted Classification)、动态聚类式(Dynamic Clustering)和社会分类式(Social Classification),并对每种方法辅以实例说明。

 

4.     搜索结果分类可视化方法及实例

4.1   层级分类式

 

自从信息架构在各类产品中得到关注以来,层级结构一直占据显著地位[25]。有效的层级结构是在树形结构和与视觉展现之间的一种平衡。一方面,树形结构容易遍历,是一种语义上的抽象和聚合,但是,树形结构只支持固定的导航和组织方式。另一方面,图形结构支持灵活的导航和多样的组织方式,但是,图形结构容易导致用户迷失方向,对用户的抽象能力要求较高[26]。

层级分类可视化实例中最具代表性的是CitiViz搜索界面。除了图1a中左侧的可扩展树状列表,它还引入了双曲树(Hyperbolic Tree)和2D散点图[22]。双曲树(图1a中右上)是原始树形结构经过扭曲而产生的,扭曲能够放大当前所关注的分支的细节,而同时又允许临近分支缩小出现,从而支持“聚焦+情境”(Focus+Context)的展现方式[27]。在该双曲树中,长方形的节点代表主题分类,附着在节点上的气泡代表分类中的结果文档集合,其大小与文档数量成正比,点击任一节点可以平滑地将其推向视图中心位置,其它节点退为背景。选择气泡后,集合中的文档就会映射到以时间和排序为轴的散点图上(图1a中右下),每个塔状物代表一个文档,各塔层说明了文档所属的类别。CitiViz利用主题分类的颜色编码将各视图整合起来,充分考虑到了不同用户对不同视图的使用偏好。

类似于CitiViz的还有各种以本体(Ontology)为先组式层级结构进行结果导航的搜索系统,多见于医学和生命科学各种复杂的指南、病例和其他研究资料的搜索。这些搜索系统的特点是,资料繁多,几乎无人能有精力读尽所有文档,就连搜索结果列表都非常冗长。利用以概念地图(Concept Map)进行可视化展现的本体结构,可以帮助用户理顺各种术语之间的联系,从而快速定位到所需的资料。为医学、生命科学等领域专家提供参考资料和决策支持的系统一直以来是用户体验设计的一个重要分支。这类用户的特点是,时间紧迫且搜索任务对准确度要求较高,若能解决他们与搜索相关的痛点,那么类似的技术就也能为其他普通用户创造更佳的搜索体验。WebVOWL是一个利用本体进行导航的产品,图2展示了它对“熟人网络”(Friend of A Friend)本体的可视化效果。

 

 

(a)     CitiViz搜索界面可视化视图

 

(b)     ResultMap树图可视化

图1 搜索结果层级分类可视化示例

 

此外值得一提的还有Clarkson et al. 设计的基于树图(Treemap)可视化的搜索辅助工具ResultMap[28]。树图将树形结构转化成了递归式分割的长方形区块,空间利用率很高。具体来说,每个长方形由更小的长方形平铺填充,它们分别对应于父节点和子节点,而这些长方形的面积通常与树图所表示的数据集在特定属性上的值成正比[29]。如图1b所示,ResultMap首先将知识库中的所有文档按照其层级关系一一映射到树图上,对整个信息空间形成稳定的表达;然后根据每个查询式得到的结果文档则会在树图上得以突出显示,颜色代表文档的类型,这样使得用户可以快速访问各文档的详细情况。在搜索结果页面上,ResultMap出现在传统结果列表的旁边,用户鼠标在某个长方形区块上的悬停会引起列表中相关结果条目显示的改变,反之亦然,从而实现了可视化视图与文字表示的交互效果。

 

 

图2 WebVOWL本体可视化导航

 

从表面看,层级分类系统最大的优点在于它能用一种稳定的、有实际意义的方法表示各类目之间的关系。但是,这个结构其实是有缺陷的,因为这种不随时间空间变化,始终如一的分类方法严格限制了用户与系统的交互,削弱了用户搜索体验中的灵活感受[30]。

 

4.2   层级分类式

 

多面分类式的信息架构使用非常普遍。特别是在过去的25年中,多面分类被频繁地的、应用在许多商业网站产品信息的呈现上[31]。很多情况下,多面分类会被误认为是用已有的分类法,如DDC、UDC对文本进行重新归类,但实际上多面分类使用的是一种基于“由下到上”的组织方法,这使得它相比于传统分类法更加灵活。对于多面搜索来说,文字界面本身已经非常易于理解和使用,例如亚马逊(Amazon)等电商网站、Yelp等点评网站,都采用多面分类式的文字界面对搜索结果提供精炼导航。可能是出于这个原因,多面搜索系统并没有在可视化的开发上投入太多精力。不过我们还是可以看到一些有价值的尝试,例如Smith et al. [16]为多面搜索设计的纯图形系统FacetMap。

如图3a所示,FacetMap分别以圆角长方形和椭圆形代表分面和分类,越常用的分面(如类型、日期、人物)占据屏幕的面积越大,显露出来的分类情况也就越多;而各分类的大小是统一的,并未传达任何信息,分类中所含条目数量是直接标明的。用户可以通过简单的点击选择感兴趣的分面、分类、子类,直至见到最底层的信息条目(图3b)。实际上,FacetMap采用的是“概览+细节” (Overview+Detail)的展现方式。与扭曲不同,当用户通过语义变焦(Semantic Zooming)放大特定分面读取细节时,有的分面却被挤出了有限的界面,令用户失去了对全局的掌控,甚至可能迷失方向[32]。

(a)      FacetMap可视化视图

 


(b)     FacetMap可视化交互

图3  多面搜索可视化示例

 

4.3   动态聚类式

 

搜索结果聚类是自动将搜索结果按照主题归为不同分组的过程[33]。排序列表呈现的是结果文档与原始搜索式之间的相近程度,而动态聚类强调的则是结果文档之间的相互关系[9]。可视化是聚类搜索的有机组成部分。虽然基于文字的树状列表被广泛运用于聚类的显示,但是图形拥有丰富的空间属性,能够更有效地表现主体之间的关系,因而聚类可视化方法的研究与应用一直都备受关注。聚类可视化方法除了能自动简单的将结果聚集成集合外,还能揭示出有趣的和潜在的趋势[34],启发探寻式搜索者。研究表明,聚类可视化的分类方法能够帮助用户更有效的导航和找到相关信息[9]。

 

4.3.1         聚类结果2D可视化

 

Grokker、KartOO、Carrot2均开发了交互式的2D可视化视图[18] [24]。

Grokker(图4a)以嵌套圈的形式展现了分类(绿色圆圈)、子类(蓝色圆圈)以及搜索结果(白色页面图标)之间的从属关系,用户可以逐级深入或回溯。KartOO(图4b)将同一分类中的结果(黄色文档图标)绘制到“地形图”上,帮助用户了解相邻结果的关联关系,白色字体的单词代表了它们的共同主题。相比之下,Carrot2更注重表现分类的规模,提供了“聚类环”(Circles)和“泡沫树”(Foam Tree)两种视图,它们形状相异,但都用彩色区块代表分类、区块大小代表分类中结果的数量,并按大小依次排列区块,如图4c、4d所示。

 

(a)      Grokker 搜索结果可视化视图

(b)     KartOO 搜索结果可视化视图

(c)      Carrot2 搜索结果聚类环可视化视图

 

(d)     Carrot2 搜索结果泡沫树可视化视图

图4  聚类搜索2D可视化示例

 

4.3.2         聚类结果3D可视化

3D可视化方法更加贴近现实世界,更加直观易读,可以概述大量搜索结果[3]。3D设计也因其对现实事物的形象借喻成为聚类可视化的一个发展方向。如图5a所示,Akhavi et al.对Carrot2的搜索结果聚类进行了全新的可视化尝试,利用线性回归算法遍历整个分类结构,将类别和结果分别转化为树枝和果实,形成不规则树立体图形[35]。而我们在图5b中可以看到,Bonnel et al. 将信息空间比作城市,搜索结果被立体化为一座座建筑物,经过聚类后位于不同的街区或地段,建筑物的高度反映了结果与提问的匹配程度,其表面则填充着内容预览图[3]。可是Risden et al.对3D可视化有所保留,认为太多的维度可能会约束用户,使得界面更难以理解[36]。而且,将3D可视化应用于在电脑显示屏这样一个2D设备上发生的搜索活动,这本身就是有问题的[25]。

 

4.4   社会分类式

 

针对社会分类结构松散的特点,标签云(Tag Cloud)应运而生,这是一种以文字为主要元素的可视化方法,一般按照字顺排列标签,并且以字体大小代表标签的出现频率。大多数标签云都包含了系统中当前最为活跃的那些标签,反映了人们最近共同关心的资源主题[37]。标签已经爆炸式的增长成为了信息架构的新时尚[38]。标注不仅是一种分类的方法,它还是一种社会化构建索引的方法,也是一种社会化组织知识的方法[39]。标签云提供了一个具有探索空间的地图,它的使用非常简单,用户通过点击感兴趣的标签就能够跳转到与该标签关联的所有资源,有时还可以查看到添加该标签的用户以及与之相关的其它标签。从本质上说,标签云的作用相当于标签搜索,以选择代替提问。然而标签云存在着固有的不足之处:字顺排列方式使得意义相关的标签散落其中,当标签云达到一定规模的时候,其效率必然会受到影响,用户很难从成百上千的标签中迅速识别对自己有用的[40]。

研究人员一直在尝试改进原始形式的标签云。 Hassan-Montero & Herrero-Solana 首先去除了标签云中不太重要的的标签(如“toread”、“diy”)并合并了同义标签,让许多具有实质内涵的标签(如“philosophy”、“religion”)得以进入标签云,降低了语义密度;然后他们利用聚类算法改变了标签云的布局,如图6a所示,经常共现的标签聚为一行,这样更有利于主题的区分和知识发现[39]。Bielenberg 和Zacher设计了循环型标签云系统[41],标签字体的大小和它到中心的距离代表了这个标签的重要性。Chen et al. 的TagClusters(图6b)也是基于标签聚类的标签云变体[42],在这个全新的可视化视图中,标签不再分行显示,它们的相对位置是由标签共现决定的。经过文本分析得到的语义上相近的标签会形成标签组,由半透明的粉色区域代表,组名(紫色大写标记)的大小与组内所有标签的出现频率总和成正比,标签组内可能进一步包含子组,不同的标签组之间也可能发生重叠,用户可以从中了解标签之间的从属和关联关系。

标签云的可用性研究一直是研究者们关注的热点,Hearst发现标签云的最大价值在于,它是一种个人和社会交互中对信息的标记[43]。喜欢标签云的用户大多夸赞它的有趣、非正式性和动态呈现,认为它们能够帮助描述趋势等。基于标签的搜索系统帮助用户利用返回的标签从广泛的主题中快速定位他们的兴趣点,Kammerer实验表明基于标签的探寻式搜索系统MrTaggy为用户学习新的主题提供了支撑,当用户对于关键词感觉模糊时,标签云能够帮助用户重构关键词[44]。

 

5.     展望

 

相比于传统搜索结果的排序列表,搜索结果可视化的信息架构在探寻式搜索中表现得更加有效,可视化方法能够方便用户导航和定位信息,同时也有助于降低挫败感,创造良好的用户搜索体验。但不能忽略的是,若设计不当,可视化系统中以图形方式返回的结果可能会增加用户的认知负担[45],因此如何设计易用的可视化界面仍是需要进一步探索的问题[24]。

查询型搜索任务中传统排序列表的重要考察指标是查准率(Precision),与之不同是的,探寻式搜索系统中更加重要的是查全率(Recall),即使是排序靠后的结果也可能是有意义的[5]。但用户未必有足够的耐心和时间翻阅至结果列表的最后一页。因此,服务于探寻式搜索的可视化系统中的结果排序方法还需要继续优化[24]。

Shneiderman认为能够满足用户探寻式搜索的可视化界面需要平滑整合现有的工具,支持用户流畅完成搜索的整个过程,包括:概览整个结果集、放大感兴趣的条目、过滤掉不感兴趣的条目、根据需求选择某个条目或分组查看细节、浏览条目之间的关系、保存操作历史、允许抽取子集合[19]。在本文的后续研究中,还将进一步探索更优的搜索结果可视化机制及人机交互方式,以支持用户探寻式搜索的每个环节,利用可视化交互有效地引导用户去获取有价值的信息。此外,基于现有的搜索产品,本文后续研究将从系统后台提取用户搜索日志,在对日志数据进行点击流分析,以及结合对用户进行眼动和脑电等心理学测量基础之上,设计新的搜索结果可视化展现与交互方式,寻找可落地的用户体验优化方案。

 

(a)     立体树形可视化视图

 

(b)     立体城市可视化视图

图5  聚类搜索3D可视化示例

 

参考文献

[1]       Nolan M. Exploring Exploratory Search[J]. Bulletin of the American Society for Information Science and Technology, 2008, 34(4): 38-41.

[2]       Jiang T. An exploratory study on social library system users’ information seeking modes[J]. Journal of Documentation, 2013, 69(1):6–26.

[3]       Bonnel N, Lemaire V, Alexandre C H, Morin A. Effective organization and visualization of Web search results[C]//IASTED International Conference on Internet and Multimedia Systems and Applications, 2006: 209-216.

[4]       Keim, D.A.. Information visualization and visual data mining[J]. IEEE transactions on Visualization and Computer Graphics, 2002, 8(1), pp.1-8.

[5]       Marchionini G. Exploratory search: From finding to understanding [J]. Communications of the ACM, 2006, 49(4): 41-46.

[6]       White R W, Roth R A. Exploratory Search: beyond the query-response paradigm [J]. Sythesis Lectures on Information Concepts, Retrieval and Services, 2009, 1(1): 6.

[7]       White RW, Kules B, Bederson B. Exploratory search interfaces: categorization, clustering and beyond: report on the XSI 2005 workshop at the Human-Computer Interaction Laboratory, University of Maryland[J]. ACM SIGIR Forum, 2005, 39(2): 52–56.

[8]       Wilson T D. Models in information behaviour research[J]. Journal of Documentation, 1999, 55(3): 249-270.

[9]       Allan, J., Leuski, A., Swan, R. and Byrd, D.. Evaluating combinations of ranked lists and visualizations of inter-document similarity[G]. Information processing & management, 2001, 37(3): 435-458.

[10]     Nguyen, T. and Zhang, J.. A novel visualization model for web search results[J]. IEEE transactions on visualization and computer graphics, 2006, 12(5).

[11]     Hoeber, O. and Yang, X.D.. A comparative user study of web search interfaces: HotMap, Concept Highlighter, and Google[J]. Web Intelligence, 2006: 866-874.

[12]     Spink, A. and Gunar, O.. E-commerce Web queries: Excite and Ask Jeeves study[J]. First Monday, 2001: 6(7).

[13]     Lazar, J., Jones, A., Bessiere, K., Ceaparu, I. and Shneiderman, B.. User frustration with technology in the workplace[G]. AMCIS 2003 Proceedings, 2003: 283.

[14]     Robertson, G., Card, S.K. and Mackinlay, J.D. The cognitive coprocessor architecture for interactive user interfaces[G]. In Proceedings of the 2nd annual ACM SIGGRAPH symposium on User interface software and technology, 1989: 10-18.

[15]     Card, S.K., Mackinlay, J.D. and Shneiderman, B. eds.. Readings in information visualization: using vision to think[M]. Morgan Kaufmann.

[16]     Smith G, Czerwinski M, Meyers B R, Robertson, G, Tan D S. FacetMap: a scalable search and browse visualization [J]. IEEE Transactions on Visualization and Computer Graphics, 2006, 12(5): 797-804.

[17]     Ahlberg, C. and Shneiderman, B.. Visual information seeking: Tight coupling of dynamic query filters with starfield displays[G]. In Proceedings of the SIGCHI conference on Human factors in computing systems, ACM, 1994:313-317.

[18]     Koshman S. Visualization-based information retrieval on the Web [J]. Library & Information Science Research, 2006, 192-207.

[19]     Shneiderman, B. and Rose, A.. Social impact statements: Engaging public participation in information technology design[G]. In Proceedings of the Symposium on Computers and the Quality of Life, ACM, 1996: 90-96.

[20]     Börner, K. and Chen, C.. Visual interfaces to digital libraries: Motivation, utilization, and socio-technical challenges[J]. Visual interfaces to digital libraries, 2002: 1-9.

[21]     Kampanya N, Shen R, Kim S, North C, Fox A. Citiviz: A visual user interface to the CITIDEL system [C] // Proceedings of the 8th European Conference on Digital Libraries, 2004: 122-133.

[22]     Fox E A, Das Neves F, Yu X, Shen R, Kim S, Fan W. Exploring the computing literature with visualization and stepping stones & pathways [J]. Communications of the ACM, 2006, 49(4): 53-58.

[23]     Shneiderman, B.. Research agenda: visual overviews for exploratory search[J]. Information Seeking Support Systems, 2008, 11: 4.

[24]     Kothari S S. Evaluating the efficacy of clustered visualization in exploratory search tasks[D]. West Lafayette, Indiana: Purdue University, 2010.

[25]     Modjeska D K. Hierarchical data visualization in desktop virtual reality[D]. Toronto, Ontario: University of Toronto, 2000.

[26]     Furnas, G.W. and Zacks, J.. Multitrees: enriching and reusing hierarchical structure[G]. In Proceedings of the SIGCHI conference on Human factors in computing systems, ACM, 1994: 330-336.

[27]     Lamping J, Rao R, Pirolli P. A focus+context technique based on hyperbolic geometry for visualizing large hierarchies[C] // Proceedings of the SIGCHI conference on Human Factors in Computing Systems, 1995: 401-408.

[28]     Clarkson E C, Desai K, Foley J D. ResultMaps: visualization for search interfaces[J]. IEEE Transactions on Visualization and Computer Graphics, 2009, 15(6):1057-1064.

[29]     Shneiderman B, Wattenberg M. Ordered treemap layouts [C] // Proceedings of the IEEE symposium on Information Visualization, 2001.

[30]     Jacob E K. Classification and categorization: a difference that makes a difference[J]. Library Trends, 2004, 52(3): 515-540.

[31]     Broughton V. The need for a faceted classification as the basis of all methods of information retrieval[G]. Aslib Proceedings: New Information Perspective, 2006, 58(1/2): 49-72.

[32]     Heo M, Hirtle S. An empirical comparison of visualization tools to assist information retrieval on the Web[J]. Journal of the American Society for Information Science and Technology, 2001, 52(8): 666-675.

[33]     Ngo, C.L. and Nguyen, H.S.. A tolerance rough set approach to clustering web search results[G]. In European Conference on Principles of Data Mining and Knowledge Discovery, 2004: 515-517, Springer, Berlin, Heidelberg.

[34]     Hearst M A. Clustering versus faceted categories for information exploration[J]. Communications of the ACM, 2006, 49(4): 59-61.

[35]     Akhavi M S, Rahmati M, Amini M M. 3D visualization of hierarchical clustered Web search results[J]. Computer Graphics, Imaging and Visualization, 2007: 441-446.

[36]     Risden K, Czerwinski M P, Munzner T, Cook, D B. Initial examination of ease of use for 2D and 3D information visualization of Web content[J]. International Journal of Human-Computer Studies, 2000, 53(5): 695-714.

[37]     Sinclair J, Cardew-Hall M. The folksonomy tag cloud: when is it useful?[J]. Journal of Information Science, 2008, 34(1): 15-29.

[38]     Furnas, G.W., Fake, C., von Ahn, L., Schachter, J., Golder, S., Fox, K., Davis, M., Marlow, C. and Naaman, M.. April. Why do tagging systems work?[G]. In CHI'06 extended abstracts on Human factors in computing systems, ACM, 2006: 36-39.

[39]     Hassan-Montero Y, Herrero-Solana V. Improving tag-clouds as visual information retrieval interfaces[C] // Proceedings of the International Conference on Multidisciplinary Information Sciences and Technologies, 2006: 25-28.

[40]     Hearst M A, Rosner D. Tag clouds: data analysis tool or social signaller?[C] // Proceedings of the 41st Annual Conference on System Sciences, 2007.

[41]     Bielenberg, K and Zacher, M.. Groups in Social Software: Utilizing Tagging to Integrate Individual Contexts for Social Navigation[D]. Master Thesis submitted to the Program of Digital Media, Universität Bremen, 2006.

[42]     Chen Y, Santamaría R, Butz A, Treron, R. TagClusters: enhancing semantic understanding of collaborative tags[J]. International Journal of Creative Interfaces and Computer Graphics, 2010, 1(2): 15-28.

[43]     Hearst, M.A. and Rosner, D.. Tag clouds: Data analysis tool or social signaller?. In Hawaii International Conference on System Sciences[G], Proceedings of the 41st Annual, IEEE, 2008: 160-160.

[44]     Kammerer Y, Nairn R, Pirolli P, Chi E H. Signpost from the masses: learning effects in an exploratory social tag search browser[C] // Proceeding of the 27th international Conference on Human Factors in Computing Systems, 2009: 625-634.

[45]     Koshman S, Spink A, Jansen B J. Web searching on the vivisimo search engine[J]. Journal of the American Society for Information Science and Technology, 2006, 57(14): 1875-1887.

 

最佳点击量文章查看

 

手游新手阶段中的引导及乐趣设计研究

 

Design with the Early Adapters——关于90后人群的住宅需求研究

 

数读信息爆炸时代的电影评分信任危机——以豆瓣电影平台为例的改良性设计

 

起步型工具产品数驱全流程设计研究  ——以营销推广工具阿里妈妈APP为例

 

基于家庭情感增进式服务设计研究  ——以阿尔兹海默症中国患者家庭为例

 

0   喜欢

操作成功!
请登录您的邮箱获取新密码,请尽快修改您的新密码!