从可视化出发反向探索原始数据的过程称为可视化沿袭。在大规模数据集上实现数据索引结构是目前实现实时交互探索的主要方式,主要存在查询时间和存储空间两个问题。现有的技术往往通过对原始数据的简化处理以实现低存储开销,这种方式导致了真实数据的丢失。可视化沿袭可解决这一问题。可视化沿袭对数据的精度要求更高,因此会约束原始数据的简化,进而增加存储成本。实现大规模数据集上的的可视化沿袭与交互探索是一项挑战,主要体现在以下方面:1大规模数据集包含至少数百万至数千万条数据,难以实现实时交互。2.数据中往往包含多个维度,在这样的数据上建立索引结构会带来较高的存储成本。3.可视化沿袭对数据精度要求较高,难以实现低存储开销。针对上述问题和挑战,本文提出了一个基于学习的数据结构以支持大规模数据集上的可视化沿袭探索。首先,本文提出对数据分别按照不同的维度进行排序,并以数组的方式进行存储,使查询与输出之间存在线性的函数关系,同时保留了原始的真实数据。其次,本文提出了分层神经网络模型结构,第一层为网络选择器,其作用是找到查询对应的子网络;第二层为子网络,其作用是计算查询对应的输出。分层网络模型解决了样本数据差别较大导致神经网络无法较好拟合,从而造成的误差问题。第三,本文提出使用哈希表存储极少数神经网络无法拟合的误差数据,从而保证了索引结构的准确性。第四,基于这一数据结构,本文设计并实现了一个可视化交互系统,以支持大规模数据集上的可视化沿袭和交互探索。在本文的最后,我们使用数据量在百万到千万级的三个公开数据集分别进行了实验,实验结果表明本文的方法可以有效地对大规模数据集实现实时细粒度可视化沿袭查询与交互探索。