原文地址：https://dl.acm.org/doi/10.1145/3173574.3173806

    生物学家经常会用网络来分析实验中的现象，比如细胞内分子的交互，电信号在神经元之间的传递，但是创建一个能够有效表现生物学信息的网络扔存在挑战。尽管有大量的自动图布局算法，但是这些算法没有利用网络中生物学信息，生成的布局效果没有实际意义；专家通常会利用自己的专业知识通过手动的方式对这样的网络布局，但是这样的布局方式效率太低，难以短时间内对大量网络数据生成有效布局。所以这篇文章通过众包的方式让普通用户在一定的准则下，帮助专家创建、评估网络数据的布局。
    image.png

    图布局的编辑页面

    专家可以上传图数据到该系统，可以选择自动的布局算法，或者手动完成布局。当专家选择众包的方式后，系统会通过 Amazon Mechanical Turk 招募五个用户，让五个用户分别利用这个页面创建布局，创建好的布局结果会返回给专家，让专家评估。

    因为普通用户缺乏领域知识，为了帮助他们生成有意义的布局，系统提供了如下 4 个生成准则：

    1. 将三角形排列在布局的顶部；
    2. 将正方形排列在布局的底部；
    3. 将相同形状的节点排布在一起；
    4. 将相同颜色的节点排布在一起。

    image.png

    不同用户和专家生成的网络布局

    为了评估用户生成布局的有效性，作者设计一个评估实验。作者基于 6 个代表性的生物网络数据，使用了两种布局算法，招募了 5 位用户，1 位专家，一共生成了 48 个布局。针对这些布局，邀请了另一位专家对这些布局结果打分。
    image.png

    不同方式产生布局的打分结果

    如上图所示，算法布局产生的效果最差，而普通用户的布局效果相对较好，但还是和专家生成的布局存在一定差距。

    这篇文章提出了通过众包方式，解决大量图数据的布局以及评估问题。专家在布局的时候往往利用到自己的领域知识，对布局结果有一个综合考量，然而这些考量有的并不能完全显示定义出来加入到算法中，因而算法产生的布局往往不能满足需求。