关联数据作为数据分析的重要研究对象,广泛存在于生活中的各个领域,它通常被表示为图的形式,节点代表实体,链接代表实体间关联。针对图进行有效地分析和探索可以帮助人们发现隐藏在庞杂信息中的知识,并辅助决策。由于在实际应用中,大型图数据结构十分复杂,用户难以直接高效的分析图结构,需要借助图嵌入等人工智能技术。同样,图嵌入模型也存在可解释性差以及不同模型性能存在差异用户难以比较选择的问题。单独依靠人类智能或机器智能都难以完成图分析任务。因此,本研究以国家自然科学基金面上项目和‘十三五’国家重点研发计划课题为背景,将图嵌入与可视分析技术相结合,通过可视分析的方式帮助用户比较图嵌入模型,以选择合适的模型并根据分析需求优化模型,帮助用户高效探索数据中隐含的关联。取得如下成果:提出了一种图嵌入模型组成结构的规范化形式。将图嵌入模型划分为图采样方法、神经网络结构、损失函数三个部分。进一步强化其中的神经网络部分,为只含有编码器的神经网络补充解码器,以使更多的损失函数作用于神经网络,增强模型保留多个图结构特征的能力。使用tensorflow框架,根据规范化结构,将deepwalk、nod2vec、struc2vec和SDNE模型重新构造与实现,方便用户以组合的形式,选择不同的图采样方法、神经网络结构和损失函数构造新的图嵌入模型,以便达到更好的图嵌入效果。提出了一种评价、比较和改进图形嵌入模型的可视化分析方法与系统GEMVis。该方法利用度、偏心度、紧密度等9个节点度量来描述图结构特征,利用交互式方法和颜色映射来帮助用户探索嵌入向量与节点度量之间的关联,利用神经网络回归模型来度量图嵌入模型的保留图结构特征的能力。采用多视图协同的方法支持从嵌入向量、节点度量和原始图结构三个方面对多个嵌入模型定性和定量的比较与分析。支持用户调整模型参数并以组合的形式构造新的图嵌入模型,满足用户对在特定节点度量指标的追求。最后通过三个实例说明本方法的有效性。提出了基于图嵌入的食品安全风险因子可视探索方法。以进出口食品危害物检测数据为研究对象,以食品为节点,根据食品中危害物检出的相似性建立链接,构建关联图。采用图嵌入方法将图转化为一组向量,采用k-means聚类方法将节点聚为若干节点子集。设计了一种新的概览图,采用数据画像技术对各子集中节点的周围结构特征进行画像并展示给用户。用户选择感兴趣的节点集合,可生成其他辅助视图,进一步分析节点的外部属性特征。从图的角度帮助研究人员探索进出口食品危害物检测数据中隐含的风险因子,找出需要关注的食品与危害物。