这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
LargeNetVis：基于社区分类的大型时序网络可视化探索系统
作者及机构
本研究由Claudio D. G. Linhares*（圣保罗大学数学与计算机科学研究所）、Jean R. Ponciano*（Fundação Getulio Vargas应用数学学院）等6位作者合作完成，发表于2023年1月的《IEEE Transactions on Visualization and Computer Graphics》（DOI: 10.1109/TVCG.2022.3209477）。
研究领域与动机
时序网络（temporal networks）是建模复杂系统动态演化的核心工具，但在节点、边或时间戳数量庞大时，传统可视化方法因视觉混乱（visual clutter）导致分析效率低下。尽管已有布局优化算法（如节点采样、时间切片timeslicing），但针对社区（community）结构的多维度模式（结构、时序、演化）的系统化探索工具仍属空白。
研究目标
团队提出LargeNetVis——一个基于Web的可视分析系统，通过整合三类社区分类法（结构、时序、演化），支持用户从全局到局部探索含数千节点和时间戳的大型时序网络。
1. 数据输入与预处理
- 输入：用户提供时序网络（含离散时间戳）及可选的节点元数据（metadata）。
- 采样与过滤：支持随机节点/边采样、雪球采样（snowball sampling），并允许设置最小社区规模阈值以过滤噪声。
- 时间切片：采用Ponciano等提出的非均匀时间切片算法，根据边密度动态划分时间窗口，默认按平均长度生成切片。
2. 社区检测与分类
- 检测算法：使用Louvain算法（基于模块度优化的贪婪聚合方法），以时间片为单位检测社区。
- 三级分类法：
- 结构分类（树状、星型、环形、团簇、低连接性）；
- 时序分类（连续/分散、间歇/聚集）；
- 演化分类（出生、消亡、扩张、收缩、分裂、合并）。
3. 可视化系统设计
系统包含四个联动视图：
1. 分类矩阵（Taxonomy Matrix）：展示两类分类法的组合频次，支持交互筛选。
2. 全局视图（Global View）：网格化显示社区随时间演化，圆点大小/颜色编码社区规模，连线表示演化事件（如合并/分裂）。
3. 节点-边图（Node-Link Diagram）：采用力导向布局（force-directed layout）和边捆绑（edge bundling）技术展示社区内部结构；对大型社区提供“超节点”（supernode）聚合视图。
4. 时序活动图（Temporal Activity Map, TAM）：纵轴为节点、横轴为时间，方块颜色映射元数据，突出活动模式（如峰值事件）。
创新方法
- 社区引导探索：通过分类法快速定位目标社区，减少视觉干扰。
- 动态响应优化：采用最小化欧氏距离的社区定位算法，减少全局视图中连线的交叉。
1. 分类有效性验证
- 在MovieLens网络（9,940节点）中，系统成功识别“星型-间歇/分散”社区（如用户集中给多部电影打低分的行为）。
- 在小学接触网络（Primary School，242节点）中，83%社区被分类为“团簇-连续/分散”，符合真实场景中同年级学生的高互动特征。
2. 用户研究结果
- 效率：14位参与者（含3位领域专家）平均50分钟完成分析任务，100%正确回答多选择题（如识别合并事件）。
- 实用性：92%用户成功发现非平凡模式（如小学午休时段的活动低谷）。
结果逻辑链
分类矩阵筛选→全局视图定位目标社区→节点-边图和TAM联动分析，形成“模式发现-细节验证”的闭环。例如，MovieLens中“星型”社区通过TAM进一步揭示用户评分的时间集中性（图1d）。
科学价值
1. 方法论创新：首次将三类社区分类法整合至可视化系统，提供多粒度分析框架。
2. 技术突破：解决大规模时序网络的视觉可扩展性（visual scalability）问题，支持含数万节点的网络（如Twitter数据集）。
应用价值
- 社会科学：分析社交网络中的群体演化（如小学班级合并）。
- 商业智能：识别用户行为模式（如电影评分高峰）。
（注：全文引用图表及补充材料详见原文献）