國內可視化搜索引擎研究進展：核心內容

孫雨生 雷曉芳

摘 要：[目的/意義]從可視化表征、可視化機制、可視化資源組織3方面揭示國內可視化搜索引擎研究進展。[方法/過程]文章用內容分析法歸納了185篇文獻內容，從可視化表征、可視化機制、可視化資源組織3方面闡述了國內可視化搜索引擎研究進展。[結果/結論]可視化表征主要研究表征對象及形式、表征方法;可視化機制主要研究特征提取、數據分析、可視化映射和視圖變換;可視化資源組織主要研究信息采集和數據預處理。

關鍵詞：可視化搜索引擎;研究進展;可視化表征;可視化機制;可視化資源組織

DOI：10.3969/j.issn.1008-0821.2020.02.018

〔中圖分類號〕TP399;G202 〔文獻標識碼〕A 〔文章編號〕1008-0821（2020）02-0160-08

Research Development of Visual Search Engine in China：Core Content

Sun Yusheng1，3 Lei Xiaofang2

（1.School of Economics and Management，Hubei University of Technology，Wuhan 430068，China;

2.Vocational and Technical Teachers College，Hubei University of Technology，Wuhan 430068，China;

3.National Engineering Center of Science and Technology Information，Institute of Scientific & Technical

Information of China，Beijing 100038，China）

Abstract：[Purpose/Significance]In order to reveal research development of visual search engine in China from three aspects of visual representation，visualization mechanism and visual resource organization.[Method/Process]Using the content analysis method，the authors summed up the contents of the 185 articles，and introduced research development of visual search engine in China from three aspects of visual representation，visualization mechanism and visual resource organization.[Result/Conclusion]Visual representation focused on representation objects，representation forms and representation methods;Visualization mechanism focused on feature extraction，data analysis，visual mappings and view transformations;Visual resource organization focused on information collection and data pre-processing.

Key words：visual search engine;research development;visual representation;visualization mechanism;visual resource organization

伴隨Web2.0時代的到來，網絡信息級數劇增與用戶有限認知及處理能力間矛盾日益凸顯，隨著讀圖時代人們接受信息方式呈視覺可視化趨勢，這導致搜索引擎提高搜索結果查全率查準率、可視化顯示搜索過程及結果以輔助用戶高效處理海量信息成為迫切需求，在這種形勢下，可視化搜索引擎應運而生并備受青睞，其將可視化技術用于搜索引擎各環節，綜合自然語言處理、機器學習等技術識別用戶需求[1]提高搜索結果查全率查準率，以用戶易理解圖形界面[2]直觀[2-8]顯示搜索詞與搜索結果間關系及搜索結果內部關系[5，9-10]縮短用戶理解信息時間[5，11]并輔助其充分挖掘信息價值[7，10，12-15]，通過信息反饋機制支持搜索策略調整減少用戶記憶負擔[16]并最終提升用戶搜索體驗和效率。而現有可視化搜索引擎研究內容雖廣但存在理論研究不系統（集中于闡述信息可視化技術、構建模型、分析功能而未將其系統融合）、不深入（集中于闡述某個搜索環節而非搜索全程（組織資源、轉換機制、表征對象）可視化），因此，系統研究可視化搜索引擎核心內容有重要意義。

本文首先以知網、萬方的學位論文庫、期刊論文庫及維普的期刊論文庫為信息源，分別以“可視化”、“搜索”和“可視化”、“檢索”為關鍵詞組合在題名中檢索相關文獻（截至2019年8月4日，以“可視化”、“搜索”為關鍵詞組合，從知網獲取碩博論文12篇、期刊論文30篇，從萬方獲取碩博論文21篇（新發現2篇）、期刊論文29篇（新發現0篇），從維普獲取期刊論文32篇（新發現2篇）;以“可視化”、“檢索”為關鍵詞組合，從知網獲取碩博論文18篇、期刊論文113篇，從萬方獲取碩博論文27篇（新發現2篇）、期刊論文113篇（新發現6篇），從維普獲取期刊論文115篇（新發現0篇）;合計185篇）。然后詳讀185篇文獻歸納國內可視化搜索引擎核心內容研究進展并根據提及頻次、內容質量詳細標注參考文獻，本著最大限度反映國內可視化搜索引擎核心內容研究重要文獻、優中選優（剔除標注次數少、與其他標注文獻內容重復文獻）原則選出47篇參考文獻（內容覆蓋185篇文獻）;最后從可視化表征、可視化機制、可視化資源組織3方面闡述國內可視化搜索引擎研究進展。

1 可視化表征研究進展

1.1 表征對象及形式

表征對象主要涉及用戶搜索請求（含搜索界面接收的用戶反饋）、搜索過程及搜索結果，多按搜索流程、數據結構分類：何明貴[3]、王孟君[13]提出基于搜索流程[3]分搜索界面可視化、搜索過程可視化、搜索結果可視化[13];孫巍[17]、黃豐[18]、蔚元方[19]、王恬[20]提出基于數據結構分一維信息、二維信息、三維信息、多維信息、層次信息、網狀信息、時序信息可視化，王恬[20]提出一維、二維、三維信息是多維信息特例，層次信息是網狀信息特例，時序信息是一維信息特例;此外，馮靜[21-22]提出表征對象涉及日志信息。

1.1.1 搜索界面可視化

針對傳統搜索界面（搜索框、垂直列表）難以勝任探索式搜索增加、海量異構數據動態搜索、信息空間整體結構直觀展現等問題[23]，可視化搜索界面以其豐富視覺效果及交互性[24]界面可視化用戶搜索需求[13]，支持調整搜索策略[3，16]（提供界面（普通用戶、專家）[3，16]、語言選擇[25]）、反饋信息[3，16]導引用戶發現信息資源隱含知識[23]，支持分類搜索、聚類導航[23]動態處理信息，支持可視化表征搜索對象間關系[6，26]。

搜索界面可視化主要分基于分類可視化表征搜索界面（提供大量有意義分類（結構清楚、標識匹配結果序列、支持位置獨立多類分類）以按類可視化表征搜索結果并提供文字幫助輔助用戶瀏覽[16];典型代表為VisualNet，其基于主題地圖分類表征Office文檔（類型、日期、大小）、Web頁、E-mail等信息，可點擊圖上類目搜索信息[27]）、基于特征可視化表征搜索界面（通過構建非文本（常難基于關鍵詞搜索）特征可視化表征搜索意圖以縮小用戶與計算機間語義鴻溝，典型實例見表1[23]）、基于用戶體驗可視化表征搜索界面（提供高效用戶反饋和信息排序機制提升用戶搜索滿意度，主流形式見表2[28]）。

需注意的是，文本搜索中常通過可視化表征檢索式表征用戶搜索需求：何明貴[3]提出分別基于表格（用單元格間、行間、子表間關系表征檢索式關系）、圖表（用圖表（概念圖、網絡圖、結構圖、流程圖）要素（點、圖形（方形、矩形、圓））表征異構數據）、圖標（用圖標集表征客觀世界及系統操作功能）及混合法可視化表征檢索式;何明貴[3]、文燕平[29]提出主要可視化表征檢索式所含關鍵詞（詞本身及數量（統計分詞結果而得[3]））、操作符（如布爾邏輯符）、詞干（去除表示語法意義的詞尾而得[3]）、其它同義（相關[3]）詞。此外，王孟君[13]用本體技術可視化語義網環境下用戶搜索需求。

1.1.2 搜索過程可視化

搜索過程可視化以二維、三維圖形表征搜索過程隱含語義關系[24]以可視化搜索步驟[5，10，13，14，16，30]及交互活動[24]，輔助用戶重構、修改搜索策略以形象簡明掌握并融入搜索過程，最終提高搜索效率[5]及體驗。何明貴[3]、饒文星[24]以文獻間關系為抽象信息空間[24]，為其增加Ben Shneiderman信息可視化分類法分析后的搜索路徑供用戶拓展搜索路徑參考[3]。

1.1.3 搜索結果可視化

搜索結果可視化以二維、三維[30]可視化形式（包括散列圖、盒狀圖（基于描述性數據挖掘而得）、決策樹等）[4]清晰直觀[4-8]表征搜索詞與搜索結果間、搜索結果內部關系[5，9-10]（等級、并列、等同（同義、準同義、語義等價等）[3]關系）以縮短理解信息時間[5，10-11]（生動形象[7]、語義性更強[23]）、充分挖掘信息價值[7，10，12-15]。蔚元方[19]提出用支持人機交互的信息可視化地圖可視化網站集（通過站點間連線網絡可視化表征站點集主題信息，鼠標指向網絡時顯示主題信息）;陳勇躍等[6]、竇淑慶[10]提出搜索結果可視化分文獻集總體情況可視化和單文獻細節可視化。

1.2 表征方法

表征方向常基于表征對象選擇，多按搜索流程、數據結構分類。此外，孫巍等[31]提出基于引文可視化搜索引擎AuthorLink、ConceptLink、PNASLink用共引網絡可視化引文中特征詞關系（分析功能較弱、可視化形式單調、圖形清晰度與直觀性低）。

1.2.1 基于搜索流程分類

何明貴[3]、王孟君[13]提出基于搜索流程[3]分搜索界面可視化、搜索過程可視化、搜索結果可視化[13]。對于搜索界面可視化，趙蘭榮等[32]提出通過確定圖形坐標位置（基于搜索結果與檢索式相似度算出搜索文檔在顯示區域位置）、選擇圖形形狀（基于Silverlight中樣式模板、文檔類型構建并加載標準圖形樣式（Web類選擇圓形，Excel、Word類選擇矩形，其他選擇三角形））、消除視圖重疊（基于布局優化算法）可視化搜索界面;對于搜索過程可視化，周寧[4]、竇淑慶[10]、王孟君[13]、任洪平[14]、歐亮[16]提出通過操作人性化[4]的可視化圖標（點擊按鈕、選擇菜單項）向搜索引擎提交請求并與之交互;對于搜索結果可視化，周寧等[9]、竇淑慶[10]、歐亮[16]提出基于分類文檔簇法[9，10，16]（文檔聚類[3]，找出含相同詞且相同詞較多文檔放入同簇，基于簇中文檔主要語義內容給出總標題[9]）、基于超鏈法[9，10，16]（用文檔間超鏈關系可視化搜索結果間關系[9]）、基于語義內容法[3，9-10，16]（通過關鍵詞、關鍵詞間關系分別代表文檔語義內容、文檔間關系實現用關鍵詞操作代表文檔操作[9]）在有限顯示空間可視化搜索結果[33]，歐亮[16]、周寧等[34]提出用Java Applet可視化文獻搜索結果[16，34]（依次為數據預處理、映射、用Applet繪制圖形圖像、顯示[34]）。

1.2.2 基于數據結構分類

孫巍[17]、黃豐[18]、蔚元方[19]、王恬[20]提出基于數據結構分一維信息、二維信息、三維信息、多維信息、層次信息、網狀信息、時序信息可視化，詳見表3。

2 可視化機制研究進展

2.1 特征提取

周寧等[35]、許德山等[36]提出特征提取是可視化搜索引擎準備數據關鍵步驟[37]，用信息對象語義描述、詞切分統計、圖像識別、語音識別等關鍵技術從文、圖、聲[35]眾多特征中提取對研究目標最具價值文本、圖像、聲頻特征以壓縮特征空間維數[36]、提升搜索效率。

2.1.1 文本特征提取

何明貴[3]提出通過確定文本在頁面中位置（決定與頁面主題相關性）、切分關鍵詞并結合文本可視化特征（包括字體、對齊、大小、顏色等）提取;關岳[38]提出通過TF-IDF法（以特征詞集及其權值[38]（用特征詞在文本中出現頻率、全部文本中出現頻率[38]區分特征詞在小部分、大部分文檔出現重要性及其對文檔內容描述度[13]）向量表示文本特征）、Minhash法（用局部敏感哈希策略通過同分布哈希函數族將高維文本特征映射到低維空間，用時可保留全部關鍵詞）提取。

2.1.2 圖像特征提取

圖像特征提取主要研究提取內容及方法，對于前者，周寧等[35]提出提取圖像內容特征[35，39]（顏色、紋理、形狀[3，35，37，39]）、文本特征（標題、關鍵詞）、語義特征，后兩者用專用程序自動提取;焦斌星[37]提出基于圖像重要性提取其特征，從圖像層、網頁塊層、網頁層、站點層提取圖像特征，詳見表4。對于后者，黃天云等[39]提出用多尺度下高斯函數濾波法均勻采樣并提取圖像特征，濾波后構建多尺度圖像特征向量集;關岳[38]提出基于底層特征圖像金字塔和稀疏表示的特征提取法（速度很快且語義表達能力強）：先用SIFT法均勻提取圖像大量局部特征（有可旋轉、一定仿射不變形但語義性不強特性），再用蓄水池抽樣法從大量局部特征中選出較小樣本集并用稀疏編碼法找出含1 024個基的基底，用新基底將所有SIFT特征表示為更具語義表達力的1 024維特征，再結合BoF法（類似詞包）提取每張圖像特征（通過多維度全面揭示）并用空間金字塔（強化圖像特征空間性）表示。

2.1.3 聲頻特征提取

聲頻數據文件格式多樣，常需轉換格式后處理。何明貴[3]、周寧等[35，40]、李豐等[41]提出聲頻信息主要包括語音[3，35，40]（聲頻重要組成部分[40]）、音樂[3，35，41]。對于前者，何明貴[3]、周寧等[35，40]提出用基于概率統計[40]的語音識別技術將其轉為文本后再提取其特征[3，35]：先提取語音波形中隨時間變化的語音特征，用聲學模型（由已提取語音特征訓練生成）構建發音模型并在識別時比較匹配未知語音特征，再用語言模型分析識別結果語法、語義特征[40];對于后者，何明貴[3]、周寧等[35]提出用音樂文件中歌詞、音樂對象語義描述[35]提取樂譜、節奏、韻律、樂器等特征[3]。此外，何明貴[3]提出視頻（多以數據流形式存在）特征提取（鏡頭分割、關鍵幀提取、視頻摘要等）最復雜但其離不開聲頻流，可基于此提取視頻特征。

2.2 數據分析

數據分析用統計[10，42]、分類[43]（從已知類別數據集中發現分類模型以預測新數據類別[26]）、聚類[10，43]、關聯分析等分析特征提取結果[10]并形成數據表以縮小搜索空間進而提升搜索速度與精度[26]：統計按文中詞出現頻率降序排列并用自然數等級編號以自動標引并生成詞—詞矩陣[42];分類（有監督學習法）前基于人工或其他方式按對象特征確定分類類別，再由分類程序用決策樹、神經網絡、遺傳算法、粗糙集及貝葉斯等方法[26]基于對象特征判別其類別，最終把數據集中數據項映射到給定類[26];聚類（無監督學習法，非人工指定）[43]常先計算對象間相似度生成相似度矩陣[36]并用劃分聚類法、層次聚類法、自組織映射法、遺傳算法[26]聚類對象（類內盡量相似、類間盡量相異）[26，36，43];關聯分析基于高頻數據項集挖掘無直接引用關系數據間聯系[20]。

2.2.1 分類標注

分類標注常用于提高圖像搜索引擎響應速度[44]，多通過分詞[8，33]工具自動從海量圖像描述信息中精準提取核心詞作為標注信息存入圖像對應標注文件[44]。沈同平等[45]提出混合生成式和判別式階段圖像自動標注法，其基于生成式階段連續概率潛在語義分析模型建模圖像得出模型參數和圖像主題分布（作為圖像中間表示向量），再基于判別式階段集群分類器鏈構建法學習圖像主題分布、構建分類器鏈并集成圖像標注關鍵詞間上下文信息提升標注精度、搜索效果。

2.2.2 分類器

分類器基于已有部分輸入、輸出數據間對應關系構建分類方法以將輸入映射到合適輸出，其分類訓練人工收集的帶標注訓練集得出判別未標記數據準則，典型代表為基于圖像底層特征（紋理等）識別高層語義特征（圖像含義）的SVM（常用于圖像分類的監督學習法，且穩定性、靈活性、可操作性多較強）模型，其依次抽取海量圖像訓練集特征、設置SVM參數、基于圖像訓練集特征構建分類器[44]。

2.3 可視化映射

可視化映射基于可視化映射算法[17，42，46]（將數據從多維空間映射到二維或三維空間[40，42，46]以降維[13，19，29，31，40，42]）將數據表轉為可視化結構[3，13，16-17，20，42，46]（由空間基[3，13，16，42]、圖形標記、圖形屬性構成[3，13，16，20，42]）以將抽象信息屬性特征轉為易理解視覺屬性[13]，常用方法、技術有自組織圖[13，16-17，4042，46]、尋徑網絡[13，16-17，40，42，46]、多維尺度分析[13，16-17，29，41-42，46]、潛在語義標引[16-17，29，40，42，46]、因素分析[16，29]（核心是主成分分析法[16，41]）、連續相似度環[41]。

2.4 視圖變換

視圖變換通過定義位置、縮放比例、裁減調整圖形參數以構建可視化結構視圖[3，13，16-17]并用可視化技術顯示[13，42]，其中王孟君[13]提出視圖形式多樣（多為樹、圖）且易理解（用戶多熟悉），常用技術有雙曲樹[17，19，42，46]、錐形樹[17，42]、樹圖[17，42，46]。

3 可視化資源組織研究進展

3.1 信息采集

信息采集是為數據處理及可視化搜索準備數據，分爬取信息、抽取信息以及存儲信息。

3.1.1 爬取信息

爬取信息主要針對Web信息，王文武[1]、李睿等[33]提出基于用戶所輸關鍵詞遍歷信息集[33]并抓取網頁[1]。

3.1.2 抽取信息

抽取信息主要是Web信息抽取，其基于已爬取網頁所含非結構[1，20，35]和半結構[20，35]信息抽取用戶所需數據并結構化[20，35]、語義化[20]。對于非結構信息（聲頻，即：語音、音樂、視頻），周寧等[35]提出轉換格式（如用語音識別技術將語音轉為文本文件[3，35]）后再集成存儲;對于半結構信息（如HTML文檔），王恬[20]提出用基于HTML結構信息抽取法（按Web頁面文檔結構特征定位待抽取信息，常將Web源碼解釋為語法樹再按需用對應方法生成抽取規則[20]）、基于自然語言信息抽取法（常處理包含眾多文本的Web源文件，基于人工編制或自動學習語料庫中人工標注結果獲取短語及短語間關系生成抽取規則）、基于包裝器信息抽取法（半結構化有監督學習法，常基于信息源結構、內容特征定制包裝器并依次抽取文檔結構、編寫抽取規則并調用其程序）抽取Web頁面所含信息;對于結構化數據，劉曉慧[47]提出基于樹局部調整的網頁結構化數據抽取法（分段Web頁面個人數據記錄進而抽取數據）。

3.1.3 存儲信息

陳穎[46]提出用文本文件存儲;王恬[20]提出用XML文件實現按用戶自定義結構存儲以提升搜索、更新效率并支持并發訪問，方便用戶管理、維護數據;劉曉慧[47]提出用MySQL存儲結構化數據。

3.2 數據預處理

數據預處理主要針對文本搜索，旨在加工并抽取有搜索價值詞以準確表達原始數據主題概念[34]并供后續步驟使用，包括準確分詞[8，33]（準確理解網頁信息、判斷網頁內容相關性重要步驟[32]，常用算法有基于字符串匹配分詞法[2，20，46]（速度快、算法簡單易實現但無消解歧義能力、效果較差[20]）、基于統計分詞法[2，20，46]（基于分詞詞典，即：常用詞詞典，實現基于字符串匹配分詞同時用統計法識別新詞，速度快、效率高且可消除歧義[2]）、基于理解分詞法[2，20，46]（分詞同時分析句法、語義以消解歧義[2]））、解析詞干[17，33，42]（去除詞綴，即：前、后綴，去除名詞復數，復原簡寫詞，標注詞性，即：排除因詞兼類產生的歧義，替換同義詞[17]，識別詞組[42]，更適合英文文本同詞不同時態、人稱情形[33]以保證搜索效果[42]）、去除停用詞[8，17，20，33，42]（語氣詞、助詞[33]、虛詞[33-34]、副詞[34]、介詞、冠詞[42]等高頻但與用戶需求低匹配的詞[33]，常構建停用詞表[8，20]并在搜索引擎運行前加載至內存以去除分詞結果中停用詞[33]）、提取高頻詞[33，43]（旨在高度概述文檔并支持對應標簽聚類[33]）。

4 結束語

綜上，本文從可視化表征、可視化機制、可視化資源組織3方面闡述了國內可視化搜索引擎核心內容研究進展：可視化表征核心研究表征對象及形式、表征方法，表征對象主要涉及搜索需求、搜索過程、搜索結果，多按搜索流程、數據結構分類：前者分搜索界面可視化、搜索過程可視化、搜索結果可視化，后者分一維信息、二維信息、三維信息、多維信息、層次信息、網狀信息、時序信息可視化;可視化機制核心研究特征提取（集中于文本特征、圖像特征、聲頻特征）、數據分析（集中于聚類分析、分類分析（多基于分類標注、分類器分類圖像））、可視化映射（集中于構建可視化結構）、視圖變換（集中于構建可視化視圖）;可視化資源組織核心研究信息采集（集中于爬取信息、抽取信息、存儲信息）、數據預處理（集中于準確分詞、解析詞干、去除停用詞、提取高頻詞）。

接下來，筆者將研究文獻可視化搜索引擎、基于用戶行為可視化搜索引擎、聚類可視化搜索引擎構建問題，供相關研究及實踐參考。

參考文獻

[1]王文武.某搜索引擎可視化搜索結果功能的開發與應用[D].北京：北京郵電大學，2013.

[2]武娜.視頻搜索結果分析及其可視化方法研究與應用[D].上海：東華大學，2009.

[3]何明貴.可視化搜索引擎模型與方法研究[D].武漢：武漢大學，2010.

[4]周寧.21世紀信息組織與檢索的可視化、智能化發展方向[J].現代圖書情報技術，2002，（4）：4-6.

[5]趙靜.網絡信息檢索可視化研究[J].數字技術與應用，2010，（8）：59.

[6]陳勇躍，周寧，夏火松.知識檢索中的知識抽取與可視化研究[J].情報科學，2010，28（11）：1719-1723.

[7]禹夏.基于虛擬現實技術的檔案館信息檢索可視化研究[J].山西檔案，2018，（3）：81-83.

[8]沙麗瓦爾·阿里木.維文文本檢索評測集構建及可視化方法研究[D].烏魯木齊：新疆大學，2016.

[9]周寧，文燕平.檢索結果的可視化研究[J].中國圖書館學報，2002，28（6）：48-50，53.

[10]竇淑慶.圖書館可視化文獻檢索系統研究[J].情報探索，2009，（10）：11-13.

[11]秦雪梅，高凡，陳烈英.可視化情報檢索[J].圖書情報工作，2002，46（4）：89-92.

[12]劉姝.知識可視化在信息檢索中的實際應用[J].圖書館雜志，2011，30（6）：68-71.

[13]王孟君.WWW信息檢索可視化研究及在信用領域的應用[D].杭州：浙江工業大學，2010.

[14]任洪平.可視化信息檢索研究[J].魅力中國，2008，（26）：120-120.

[15]張莉，閔波，楊帆，等.面向知識發現的生物醫學文獻信息檢索與可視化設計[J].醫學信息學雜志，2017，38（12）：65-68.

[16]歐亮.信息檢索可視化研究綜述[J].情報探索，2011，（3）：83-87.

[17]孫巍.基于引文的信息檢索可視化系統研究[D].哈爾濱：黑龍江大學，2007.

[18]黃豐.信息可視化檢索模型及應用探析[J].情報探索，2007，（10）：45-47.

[19]蔚元方.文獻檢索的信息可視化技術研究[D].鄭州：中原工學院，2015.

[20]王恬.農業文本信息檢索可視化平臺研究[D].楊凌：西北農林科技大學，2015.

[21]馮靜.我國信息可視化檢索研究[J].邊疆經濟與文化，2012，（7）：154-155.

[22]馮靜.信息檢索可視化現狀與展望[J].科技文獻信息管理，2012，26（3）：32-34.

[23]汪飛，李強，左伍衡.可視化搜索用戶界面[J].計算機輔助設計與圖形學學報，2014，26（5）：708-716.

[24]饒文星.可視化多語言目錄檢索平臺研究[D].南寧：廣西民族大學，2013.

[25]洪菀吟.多語言信息檢索系統可視化初探[J].圖書情報工作，2011，55（2）：25-28.

[26]孫潔麗，朱智清.基于數據挖掘技術的檢索可視化系統的研究[J].現代情報，2008，28（3）：106-109.

[27]陳艷.信息檢索可視化技術[J].情報理論與實踐，2006，29（5）：618-621，566.

[28]耿東海，樊一陽.基于用戶體驗的可視化信息檢索模型及界面研究[J].現代情報，2014，34（3）：162-167.

[29]文燕平.WWW信息檢索可視化實現原理研究[J].現代圖書情報技術，2005，（4）：10-13，50.

[30]陳莉莉，劉正龍.基于用戶模型BMB_PRUM的可視化信息檢索研究[J].內江師范學院學報，2009，24（S1）：58-60.

[31]孫巍，張學福.基于引文的信息檢索可視化相關系統比較分析[J].情報理論與實踐，2008，31（4）：598-601.

[32]趙蘭榮，朱學芳.基于元搜索的農業信息可視化平臺實現研究[J].農業圖書情報學刊，2011，23（12）：5-8，11.

[33]李睿，聶晨光，龍文磊，等.信息可視化技術在搜索引擎結果知識體系化輸出應用方案設計[J].中國管理信息化，2015，18（13）：211-213.

[34]周寧，徐潔，肖楠.文獻檢索結果的可視化研究[J].情報探索，2007，（6）：3-6.

[35]周寧，張弛，張會平.信息可視化與知識檢索系統設計[J].情報科學，2006，24（4）：571-574.

[36]許德山，張智雄，邢美鳳.面向本體知識庫的可視化檢索研究[J].情報理論與實踐，2010，33（8）：114-117.

[37]焦斌星.用于搜索的網頁可視化摘要技術研究[D].合肥：中國科學技術大學，2012.

[38]關岳.大規模微博數據的品牌檢索與可視化[D].大連：大連理工大學，2015.

[39]黃天云，孫世新，龐朝陽.基于Gauss濾波的多媒體圖像的可視化檢索[J].系統工程與電子技術，2001，23（1）：77-81，89.

[40]周寧，劉瑋.可視化語音信息檢索模型研究[J].現代圖書情報技術，2006，（2）：46-49.

[41]李豐，周維彬.國外音樂信息檢索可視化研究綜述[J].情報探索，2010，（12）：103-106.

[42]韓麗華.信息檢索可視化效率若干問題研究[D].哈爾濱：黑龍江大學，2008.

[43]朱光楠.基于聚類的搜索可視化呈現系統的設計與實現[D].北京：北京郵電大學，2012.

[44]孫雙琛.基于熱點標簽學的可視化時尚商品搜索引擎的設計與實現[D].廣州：中山大學，2012.

[45]沈同平，董尹，俞磊.基于知識圖譜的我國圖像檢索研究進展可視化分析[J].通化師范學院學報，2019，40（1）：134-141.

[46]陳穎.基于摘要信息的中文信息檢索可視化系統研究與實現[D].哈爾濱：黑龍江大學，2007.

[47]劉曉慧.基于可視化檢索的廣告信息增強系統的設計與實現[D].廣州：中山大學，2013.

（責任編輯：郭沫含）