言之有物，文本数据的多元魅力

第四届浙江大学研究生国际暑期学校

大数据可视分析国际研讨班

主办：浙江大学

承办：浙江大学CAD&CG国家重点实验室

中国图象图形学学会人机交互专业委员会

中国计算机学会CAD&CG专业委员会

夏日的时光总是在飞逝中显得短暂，同学们在高温褪去的杭州迎来了可视化暑期学校的第七天。或许是突来的阴凉，拥挤的教室也不显得前日般那样闷热。在一个好天气中，暑期学校的上午授课如往常般开始。

今天的授课学者是来自韩国大学计算机信息工程学院的Jaegul Choo助理教授。Jeagul 教授的主要研究方向包括机器学习，可视化以及将两者相结合的可视分析技术。在上午的课程里，他为同学们详细讲解了关于文本数据可视化方面的知识，主要内容分为了文本数据的向量编码、基础的文本数据可视化技巧、主题模型以及数据降维。同学们在听课过程中收获颇丰，不断有同学上去提问，汲取知识。

Part.1

Visual Analytics of Text Data

Jaegul Choo

Jeagul Choo 教授先通过图像数据单位像素的向量序列化表达的例子，引出了文本数据同样可以将其作为向量化表达的主题。为了使得同学们更好地理解如何将文本数据化归为一个个向量，Jeagul Choo 教授从one-hot vector入手，讲述了one-hot vector 可以将离散特征的取值扩展到欧式空间，使得特征之间的距离计算和相似度计算都十分方便。再由one-hot vector 的缺陷引到了词嵌入(Word Embedding)算法。

词嵌入算法可以大幅度地减少one-hot vector 带来的词向量维度过大和数据矩阵过于稀疏的问题，同时通过向量间的余弦值大小来衡量两者之间的相似度，十分简洁有效。并且教授现场的词嵌入可视化展示(concept vector)使得同学们对其了解更加深刻。最后又提及了现在最常用并且流行的方法，即Word2Vec。依赖于深度学习，它可以自动地实现单词语义相似性的度量和词汇语义的类比。

短暂的休息过后，Jeagul Choo 教授讲述了文本数据可视化的基本方法，并且对于每个可视化方法都进行了现场的demo演示，让同学们感受到了可视化的魅力和其在帮助人们增加感知、理解数据的强大能力。在讲述过程中，主要的可视化方法涉及到了诸如词云(Word Cloud)、词树（Word Tree）、主题流(Theme River)、TIARA和词汇网络（Phrase Nets）。

教授在结束文本可视化方法介绍之后，讲解了主题模型的相关知识。在文本可视化过程中，一篇文章的主题往往由不同的关键词组成，不同的关键词含有不同的概率，从而不同的主题会因为关键词的不同，其对应的权值也会不同。而主题模型是一种对于文档集合给出一系列主题的技术。Jeagul Choo 教授同样以具体的例子和计算过程帮助同学们理解其内在逻辑，并且与潜在语义索引算法(LSI)作了一个典型对比。最后，教授通过演示不同的主题建模可视化系统，如Car Reviews、TopicLens、VisIRR、TopicOnTiles，使得课堂理论与实践相结合，对同学们帮助很大。

最后，Jeagul Choo 教授讲述了数据降维的方法和思维。数据降维不仅可以使得数据量大大减小，得到更高的计算效率，而且可以做更多的预处理已到达很好的性能，以及2D/3D的可视化展示和交互操作。

课程时间有限，结束之后依旧有很多同学围在讲桌前，与教授进行探讨。更有来自四川的女同学，在Jeagul Choo 教授对她们的问题进行细致回答之后，送出了熊猫玩偶表达自己的感谢。Jeagul Choo 教授感到十分意外与欢喜，最后今日份的暑期学校就在熊猫的注视下结束了。

Part.2

讲座时间表

更多信息请查看官方网站

http://www.cad.zju.edu.cn/home/vis-summer-school-2018/

论坛记录员：陈则衔

浙江大学计算机科学与技术专业

研究兴趣：可视分析

宽视 · 善知

| 宽视以博物 · 善知以致知 |

微信号

datavis

或长按识别上图

微博号

浙大可视分析小组

或长按识别上图