| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-18页 |
| ·研究背景 | 第8-9页 |
| ·可视分析的应用领域 | 第9-12页 |
| ·多维数据模式检测的可视化方法 | 第12-14页 |
| ·数据挖掘聚类算法的可视分析 | 第14-15页 |
| ·社交网络的可视分析 | 第15-16页 |
| ·论文的主要内容及章节安排 | 第16-18页 |
| 第2章 基于多维数据的可视模式检测 | 第18-31页 |
| ·数据预处理 | 第18-23页 |
| ·维度摆放度量 | 第19-20页 |
| ·基于遗传算法的轴摆放排序 | 第20-22页 |
| ·可视质量评价 | 第22-23页 |
| ·模式检测生成 | 第23-25页 |
| ·交互技术 | 第25-26页 |
| ·实验结果 | 第26-30页 |
| ·Red-wine数据集 | 第26-28页 |
| ·Concrete Compressive Strength数据集 | 第28-29页 |
| ·Iris数据集 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 数据挖掘聚类算法的可视分析 | 第31-62页 |
| ·处理框架 | 第32-33页 |
| ·聚类生成阶段 | 第33-44页 |
| ·多维数据预处理 | 第33-35页 |
| ·图数据聚类 | 第35-40页 |
| ·基于Sammon投影的交互聚类及k-means聚类 | 第40-44页 |
| ·聚类评价阶段 | 第44-52页 |
| ·平行聚类视图的生成 | 第44-45页 |
| ·数据稳定性度量及平行聚类视图轴摆放策略 | 第45-48页 |
| ·聚类指标度量 | 第48-50页 |
| ·交互技术及反馈机制 | 第50-52页 |
| ·实验结果 | 第52-61页 |
| ·聚类算法比较 | 第52-55页 |
| ·聚类分析 | 第55-57页 |
| ·模型训练 | 第57-61页 |
| ·本章小结 | 第61-62页 |
| 第4章 基于微博平台传播转发网络的可视分析 | 第62-95页 |
| ·系统构成 | 第63-64页 |
| ·数据及高维属性图模型 | 第64-66页 |
| ·微博传播转发数据 | 第64-65页 |
| ·高维属性的传播转发图结构 | 第65-66页 |
| ·多维属性微博传播转发的图可视化 | 第66-72页 |
| ·基于层次关系的力导向图布局 | 第66-67页 |
| ·简化图布局 | 第67-71页 |
| ·微群视图布局 | 第71-72页 |
| ·可扩展的动态图可视化 | 第72-83页 |
| ·基于层次变化的数据模型 | 第73-74页 |
| ·基于时间变化的数据模型 | 第74页 |
| ·可扩展的动态图布局 | 第74-76页 |
| ·传播转发路径捆绑技术 | 第76-79页 |
| ·Hough散点图 | 第79-82页 |
| ·传播转发的强/弱关系 | 第82-83页 |
| ·交互技术的设计实现 | 第83-85页 |
| ·层次过滤 | 第83页 |
| ·转发过滤/转发时间调节 | 第83-84页 |
| ·Focus+Context技术 | 第84-85页 |
| ·案例分析 | 第85-94页 |
| ·病毒式微博营销案例 | 第86-89页 |
| ·事件检测 | 第89-91页 |
| ·终端用户使用反馈 | 第91-94页 |
| ·本章小结 | 第94-95页 |
| 第5章 总结和展望 | 第95-99页 |
| ·本文完成的工作 | 第95-96页 |
| ·其他相关工作 | 第96-97页 |
| ·展望 | 第97-99页 |
| 参考文献 | 第99-103页 |
| 致谢 | 第103-105页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第105页 |