阿里数据在知识图谱可视化中的设计探索

前言

在数据智能时代，数据不仅仅只是一个个字符串，挖掘它们背后隐含的关系是智能产品的重点方向。伴随数据量的爆增和数据结构的复杂化，知识图谱作为最直观展示真实世界的数据结构应运而生。如何将海量庞杂的关联数据合理的呈现，使它能够直观、快速的服务于业务是大数据设计师的一个重要课题。

图谱可视化的意义

传统数据表 VS 知识图谱

知识图谱是基于图数据技术发展而来的产物，相对于传统的数据表形式的存储方式，知识图谱这种数据模型更适合让机器理解数据的关联，也符合人对真实世界的认知和记忆。

同时，由于数据量的增长和业务的日益复杂，通过图表和指标等展示形式无法满足业务人员洞察结果背后关联关系的诉求。通过图谱可视化，根据业务需求设计合适的数据展示布局和交互形式，用户可直观的对数据进行全局感知，也能够了解数据结构背后的数据关系，对结果进行追根溯源的分析。

图谱可视化设计流程

在前期的需求调研后，从设计内容上看图谱可视化设计主要包含定义图谱使用目的，设计合理布局布局，为不同的业务使用场景定义符合用户诉求的交互及展示链路。主要重点包括：

a.了解图谱实际数据结构：数据的关系是树状的？网状的？还是离散的点状的？这会影响到用户关注的是数据的层级还是类别等属性，进而影响到图谱的布局形式。

b.定义图谱可视化目的：用户在不同目的下关注的图谱信息是不一样的，从视角层面上可以划分为看全局，看关系，看层级，看链路，看细节，根据不同的视角设计图谱形式

c.设定合理的布局及展示规则：图谱展示的是大数据量信息，通过清洗、聚合、归类、分层、重组等手段梳理数据，设计易读的图谱布局，并通过交互等手段对展现的数据量进行控制，保证图谱的易用性。

图谱可视化的设计探索及应用

阿里大数据团队一直致力于打造易读、易用、可分析的数据可视化产品。早在2018年，我们所研发的Dataphin-数据资产版图中，就有过对图谱可视化的尝试，在数据行业引起了一阵轰动。我们试图在业务需求与底层数据之间搭建起桥梁，让更多人感受到数据带来的便捷与美好。

Dataphin-数据资产版图

随着业务的拓展和数据的复杂化，从数据的展示到关联分析，图谱可视化的应用场景得到不断拓展，下面重点介绍三个场景下的图谱设计内容。

场景一：数据探查

面对海量而庞杂的企业级数据，图谱以其天然的结构优势能够较好的展现其中的关联关系，但在实际应用中，底层的技术图谱是无法直接被解读的。由于大量技术思维的数据存储在图谱之中，并不适合业务人员来解读。
技术视角的图谱

针对这样的问题，需要对数据结构进行“清洗”，去掉冗余数据和无关概念，保留最关键的数据节点，并把它们按照人脑读取思维进行重组，进而得到了我们所需要的图谱展示形式。

全局视角

当然，任何图谱有其数据承载的极限。对于企业级数据，即使是经过了“清洗”，其体量依然非常庞大，而概览性的图谱只能展示业务整体的健康状况，当用户希望查看更详细的节点数据时，我们便为其构建了单业务场景下的图谱展示视角——探索视角。我们采用风铃图的数据展示形式，扩展数据的展示空间。

探索视角

在细节上，我们综合考虑各种数据展示的极端情况，并为其设计了详细的交互规则。如下图，当单个节点数量过多时，我们为其设定了分批次显示的方式，确保了单个节点的值能清晰展现。

节点切换

场景二：智能问答

在智能问答领域，用户和聊天机器人以问答的形式查询数据，机器通过NLP解读用户输入的信息，以知识图谱为大脑找出关联知识输出数据分析结果及报表。知识图谱像一个“黑盒”存在于技术底层，业务人员对为什么得出这个结果是不可感知的。为了帮助业务人员了解“为什么”，我们用图谱可视化问答背后的数据链路，将“黑盒”可视化。用户既可以通过阿里数据官用问答式的方式查询数据，也可以通过可视化的知识图谱理解背后的逻辑及关联影响。

语音检索