评估力导向图布局可读性的深度学习方法

现有的图布局算法通常无法优化图布局中所有期望的美学性质。为了评估期望的视觉特征在图布局中的反映程度，过去几十年中提出了许多可读性度量。然而，这些可读性度量的计算通常需要访问节点与边的坐标，并且通常计算效率低下，尤其对于稠密图。重要的是，当节点与边坐标不可访问时，便无法对图布局进行定量评估。在本文中，我们提出了一种新颖的基于深度学习的方法，通过直接使用图图像来评估图布局的可读性。提出了一种卷积神经网络架构并在由合成生成图与从真实大型网络采样得到的图组成的图图像基准数据集上训练。所提方法考虑了多个代表性可读性度量（包括边交叉、节点散布与组重叠）。我们将我们的方法与传统方法进行定量比较，并通过案例研究与可视化卷积层对其定性评估。本工作是使用基于深度学习的方法对可视化领域图像进行定量评估的第一步。