Temporal networks (also known as dynamic networks) are often used to model connections that occur over time between parts of a system by using nodes and edges. In temporal networks, all nodes, edges, and times, are known and available to be used in the analysis. However, in several real-world applications, data are produced in a massive and continuous way, which is known as data stream. In this case, the volume of data may be so large that the storage may be impossible and mining tasks become more challenging. In streaming temporal networks, edges are continuously arriving in non-stationary distribution. In both temporal and streaming temporal networks, patterns related to node and edge activity are typically irregular in time, which makes the visualization of such networks helpful to gain insights about network structure and dynamics. Nevertheless, the non-stationary distribution of incoming data increases complexity and turns the streaming temporal network visualization even more challenging. Several visualization layouts have been proposed, but they all have limitations. The main challenge in this context is the amount of visual information, that increases depending on the network size and density, and causes visual clutter due to edge overlap, fine temporal resolution, and node proximity. In this thesis, we propose methods to enhance the visualization of streaming temporal networks through the manipulation of the three network dimensions, namely node, edge, and time. Specifically, we propose: (i) CNO, a visual scalable node ordering method; (ii) SEVis, a streaming edge sampling method; and (iii) a streaming method that adapts the temporal resolution according to local levels of node activity. We also present a comparative study considering the combination of these methods. We show through case studies with real-world networks that each of these methods greatly improves layout readability, thus leading to a fast and reliable decision making.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorTese (Doutorado)Redes temporais (ou dinâmicas) são frequentemente usadas para modelar conexões que ocorrem ao longo do tempo entre partes de um sistema por meio de nós e arestas. Nessas redes, todos os nós, arestas e instantes de tempo são conhecidos e estão disponíveis para serem utilizados na análise. Entretanto, em várias situações reais, dados são produzidos de forma massiva e contínua, o que é conhecido como fluxo contínuo de dados (FCD). Nesse tipo de aplicação, o volume de dados pode ser tão grande que o armazenamento deles pode ser impossível e as tarefas de mineração se tornam ainda mais desafiadoras. Em redes provenientes de FCD, arestas são continuamente adicionadas em distribuição não-estacionária. Tanto em redes temporais quanto em redes em FCD, padrões relacionados à atividade de nós e arestas são tipicamente irregulares ao longo do tempo, o que torna a visualização dessas redes útil para obter insights sobre a estrutura e dinâmica delas. Por outro lado, a distribuição não-estacionária aumenta a complexidade e torna a visualização de redes em FCD ainda mais desafiadora. Vários layouts visuais foram propostos até hoje, mas todos possuem limitações. O principal desafio é a quantidade de informação visual, que aumenta dependendo do tamanho e densidade da rede e causa poluição visual devido à sobreposição de arestas, resolução temporal e proximidade dos nós. Nesta tese, nós propomos métodos para melhorar a visualização de redes em FCD por meio da manipulação das três dimensões da rede: nó, aresta e tempo. Mais especificamente, nós propomos: (i) CNO, um método de ordenação de nós visualmente escalável; (ii) SEVis, um método de amostragem de arestas em FCD; (iii) um método para FCD que adapta a resolução temporal de acordo com níveis locais de atividade de nós. Também apresentamos um estudo comparativo considerando a combinação destes métodos. Por meio de estudos de caso com redes reais, mostramos que cada um dos métodos melhora bastante a legibilidade do layout, levando a uma tomada de decisão rápida e confiável.