互联网、社交网络以及交通网络组成的网络关联关系是大数据中最常见的关系。层次结构数据也是网络信息中的一种特殊情况。基于网络节点和连接的拓扑关系,直观地展示网络中潜在的模式关系,例如节点或边聚集性,是网络可视化的主要内容之一。对于具有海量节点和边的大规模网络,如何在有限的屏幕空间中进行可视化,将是大数据时代面临的难点和重点。除了对静态的网络拓扑关系进行可视化,大数据相关的网络往往具有动态演化性,因此,如何对动态网络的特征进行可视化,也是不可或缺的研究内容。近几年来,急剧增长的节点和边导致数据可视化的结果不能在有限的展示空间里被清晰地展示出来,伴随而来的视觉混乱严重阻碍了点线图的可用性,造成大量的聚集、重叠和覆盖问题,同时降低审美质量和信息搜索的效率,使得用户无法难以辨别可视化效果图。线绑定提供了解决这一问题的方法。线绑定目的是从数据可视化的结果中挖掘信息并洞悉其中所包含的知识。它根据信息可视化的信息分级原则,通过对大规模的图形进行层次化简化,将相似的边捆绑在一起形成具有较强辨识性的边束,从而减少视觉混乱。线绑定虽然丢失了数据的部分细节信息,但是仍然可以清晰地揭示出数据模型中潜在的宏观模式,即骨架或者模式结构等。这种设计模式有利于用户以后对数据整体结构的认知和辨识。目前学术界已经提出了多种基于不同范式的线绑定方法,比如:几何结构模型、力引导模型、层次结构、图片提取骨架等方法。由于不同方法的优缺点,这些结果中有时会出现过于弯曲的现象,产生误导用户的效果。目前还没有提出一种实验性的方法对线绑定进行一个可靠性的评估,为了评估和比较,我们设计了用户对比实验,描述线绑定对用户数据分析过程中认知行为的影响。整个流程主要包括:对线绑定的可视化结果进行操纵来设定假设、被试作答、分析对比、汇报结果。实验主要分为专家版和被试版,专家版由信息可视化领域的7名专家对我们的实验进行评判,从中挑选出可行性最高的10个问题;被试版由来自不同专业的200名研究生和本科生在同一个实验环境和硬件设备的条件下进行作答。最后在数据分析和总结阶段,我们通过实验结果来验证线绑定对可读性的影响,主要包括准确性、效率和不同绑定强度下用户对信息搜索处理流畅度的影响。