New Media Inspiration, leden 2013

1. Vizualizace bl´
ızkosti sledovan´ch t´mat
y e
V´clav Nov´k
a a
Memepower
vaclav@memepower.cz
New Media Inspiration, leden 2013

2. Mapa t´mat
e
2 z 10

3. Mapa t´mat
e
3 z 10

4. Mapa kandid´t˚
au
4 z 10

5. Mapu chceme
• Kde jsme?
• Kam smˇˇujeme?
er
• Kam chceme?
• Co pro to m˚ˇeme dˇlat?
uz e
5 z 10

6. Mapa jako tabulka vzd´lenost´
a ı
6 z 10

7. Pˇeveden´ mapy M na tabulku T
r ı
M T
Aˇs Bor Cep D˚l
u Eˇ
s ’
Hat Kly
Aˇ
s 50,22 12,20 Aˇ
s 0.0 0.8 2.9 2.9 2.9 6.1 2.3
Bor 49,71 12,78 Bor 0.8 0.0 2.2 2.3 2.2 5.5 1.8
Cep 48,92 14,81 Cep 2.9 2.2 0.0 0.6 0.6 3.6 1.4
D˚l
u 49,45 15,03 D˚l
u 2.9 2.3 0.6 0.0 0.0 3.3 1.0
Eˇ
s 49,44 15,00 Eˇ
s 2.9 2.2 0.6 0.0 0.0 3.3 1.0
Hat’ 49,95 18,26 Hat’ 6.1 5.5 3.6 3.3 3.3 0.0 3.8
Kly 50,31 14,50 Kly 2.3 1.8 1.4 1.0 1.0 3.8 0.0
• tij = mj − mi , kde mi je ˇ´dek M odpov´ ıc´ t´matu i.
ra ıdaj´ ı e
7 z 10

8. Pˇeveden´ tabulky na mapu
r ı
• Mnohorozmˇrn´ ˇk´lov´n´ (Multidimensional scaling, MDS)
e es a a ı
• Transformace matice T (n × n) do matice M (n × 2)
• Chceme:
mi − mj 2
min
tij
i<j
• Aby nebylo ∀ij : mi = mj , omez´
ıme M takto:
mi − mj = 1
i<j
• R˚zn´ metody nalezen´ hodnot M:
u e ı
◦ Stress Majorization (SMACOF)
◦ Nonlinear Mapping (Sammon mapping)
◦ Principal Component Analysis (PCA)
8 z 10

9. Jak spoˇ´ vzd´lenosti t´mat?
cıtat a e
• Vzd´lenost“ t´mat tij je opakem podobnosti t´mat“ sij
a e e
” ”
• tij = s1
ij
• sij m˚ˇe b´t poˇet diskusn´ pˇıspˇvk˚ obsahuj´ ıch t´mata i a j
uz y c ıch r´ e u ıc´ e
• sij m˚ˇe b´t poˇet hlasovac´ l´ u obsahuj´ ıch kandid´ty i a j
uz y c ıch ıstk˚ ıc´ a
• sij m˚ˇe b´t poˇet hlasov´n´ kde i a j hlasovali shodnˇ
uz y c a ı, e
9 z 10

10. Cel´ proces vizualizace souv´skyt˚
y y u
MDS
• V´skyty → T − − M →
y −→
10 z 10