数据图表在展现数据特征方面存在独特的优势,数据可视化分析在人们对于海量数据的挖掘和运用过程中已成为必不可少的一环。但是,在数据爆发式增长的今天,数据集量级与复杂程度不断增加,传统可视化工具需要手动配置生成可视化视图,该方法难以满足用户在海量数据中挖掘有效信息的需求。为解决大数据时代数据可视化分析任务面临的高效性与准确性等难题,自动分析数据集可视化特征并进行价值评估的可视化推荐技术受到研究人员的高度重视。论文从数据特征和用户偏好两个方面入手,围绕如何通过数字特征衡量视图所蕴含信息的价值、对不同用户提供个性化推荐方案以及优化可视化推荐算法执行效率等内容展开,主要工作以及贡献如下:（1）从多个案例中分析现有面向数据特征的可视化推荐技术存在的缺陷,结合所进行的用户调查结果提出了三个衡量数据视图所蕴含信息价值的新维度:视图呈现趋势与平均趋势间差异程度、视图各组数据之间波动程度以及视图数据易于用户理解程度,将它们分别量化为异常效用值、偏离效用值和可用性效用值,并与改进后的基于偏差的效用值进行线性组合,得到用于综合评估视图的多目标效用值函数。实验结果表明,论文提出的多目标效用值函数可以弥补现有可视化推荐标准中价值衡量标准单一的不足,有效地挖掘出高价值结果。（2）针对现有可视化推荐方案中,各项指标所占权重需要用户自主调节或由系统预先分配带来的侧重点失真、使用门槛高、灵活性差等弊端,论文提出为满足用户在不同场景下多样化的任务需求,在推荐过程中加入权重拟合环节,利用用户打分的视图样本计算各项权重的动态分配方案。实验结果表明,本研究提出的权重拟合方案能够有效地根据用户兴趣偏好准确对权重进行动态分配,在满足使用者个性化推荐需求的同时降低可视化推荐系统使用门槛。（3）为提升推荐算法执行效率,根据多目标效用值函数的开销分布特点提出剪枝优化策略,在不影响推荐结果质量的情况下避免不必要的高开销操作。实验验证了剪枝优化策略的优化效果,研究并分析了影响各项开销优化率的各种因素以及优化率的变化趋势。