SlopeSeeker：用于探索可量化趋势数据集的搜索工具

自然语言和搜索界面可以直观地促进数据探索，并根据底层数据集为各种分析查询提供可视化响应。然而，这些界面往往无法解读更复杂的分析意图，例如区分 COVID 病例背景下“bump”和“spike”等术语之间的细微差别和可量化差异。我们通过扩展数据探索搜索界面的能力来填补这一空白，用于解读时间序列趋势中的语义概念。我们首先创建一个全面的语义概念数据集，方法是：将可量化的单变量数据趋势（如斜率和角度）映射到众包的、语义上有意义的趋势标签。该数据集包含可量化属性，用于捕捉“急剧”和“逐渐”等语义修饰词的斜率标量效应，以及多线趋势（如“峰值”、“谷值”）。我们在 SlopeSeeker 中展示了该数据集的实用性，这是一个支持自然语言查询可量化趋势的工具，例如“显示 2010 年下跌的股票”。该工具融入了基于语义相关性和视觉显著性的新型评分和排名技术，以呈现包含这些语义趋势概念的相关趋势图表响应。此外，SlopeSeeker 还提供分面搜索界面，供用户浏览从通用趋势（如“增加”）到更具体的趋势（如“急剧增加”）的语义层次结构。对该工具的初步用户评估表明，搜索界面支持包含描述数据趋势的概念的查询表达能力的提升。我们确定了利用我们公开可用的定量语义数据集在其他数据领域和新型可视化分析界面的潜在未来方向。