CN112015774A - 一种图表推荐方法、装置、电子设备及存储介质 - Google Patents
一种图表推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112015774A CN112015774A CN202011027640.3A CN202011027640A CN112015774A CN 112015774 A CN112015774 A CN 112015774A CN 202011027640 A CN202011027640 A CN 202011027640A CN 112015774 A CN112015774 A CN 112015774A
- Authority
- CN
- China
- Prior art keywords
- input
- chart
- field
- input field
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/412—Layout analysis of documents structured with printed lines or input boxes, e.g. business forms or tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2428—Query predicate definition using graphical user interfaces, including menus and forms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图表推荐方法、装置、电子设备及存储介质,涉及深度学习技术领域。具体方案为:根据预先获取的至少一个输入字段,生成至少一个输入字段相对于各个图表的输入向量;将输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到输入向量与各个特征向量的相似度;根据输入向量与各个特征向量的相似度,得到至少一个输入字段对应的目标图表;并将目标图表发送给终端设备。本申请实施例不仅可以有效地减少图表推荐的复杂度,同时还可以提高图表推荐的准确性。
Description
技术领域
本申请涉及人工智能领域,进一步涉及深度学习技术领域,尤其是一种图表推荐方法、装置、电子设备及存储介质。
背景技术
通常情况下,原始的图表制作流程是用户先选定一种图表类型,如折线图、饼图、旭日图等;然后将各个输入字段绑定到图表的各个部分,如X轴、Y轴等。这样的流程要求用户提前了解各类图表的特性,以及各类图表分别适合展示什么样的数据。如果用户不了解各类图表的特征,那么很有可能无法准确地选择出最合适的图表。
在现有的图表推荐方法中,传统的图表推荐策略基于预先定义好的决策树进行推荐。具体地,决策树可以分为多层,每层对输入字段的一种特性进行判定,筛选掉一批图表;走到决策树的最后一层则得到最终的推荐结果。基于决策树的推荐策略在图表种类少,字段简单的场景下是可行的;但是如果图表种类多,字段复杂的场景下,基于决策树的推荐策略则很难给出一个准确的推荐结果。例如,假设目前有45种或者45种以上的图表作为推荐候选,数据字段类型分为3大类和5小类;另外,有些图表特征还有多种自己的特性,比如有的图表适合多单位的度量,有的图表适合展示百分比等。在这种情况下,设计出该场景下的决策树就变得非常困难了。即便该场景下的决策树被设计出来,那么其复杂度也会很高,拓展和维护的成本也会很高。此外,当以后添加了新的图表种类,或者决策过程需要加入新的信息时,如各字段的统计信息,此时很可能要对整棵决策树进行调整,代价非常大;并且,基于决策树的策略的推荐结果一般是一个单一的图表类型,无法给出一个按推荐度排序的推荐列表作为结果。
发明内容
本申请提供了一种图表推荐方法、装置、电子设备及存储介质,不仅可以有效地减少图表推荐的复杂度,同时还可以提高图表推荐的准确性。
第一方面,本申请提供了一种图表推荐方法,所述方法包括:
根据预先获取的至少一个输入字段,生成所述至少一个输入字段相对于各个图表的输入向量;
将所述输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到所述输入向量与各个特征向量的相似度;
根据所述输入向量与各个特征向量的相似度,得到所述至少一个输入字段对应的目标图表;并将所述目标图表发送给终端设备。
第二方面,本申请提供了一种图表推荐装置,所述装置包括:生成模块、计算模块和推荐模块;其中,
所述生成模块,用于根据预先获取的至少一个输入字段,生成所述至少一个输入字段相对于各个图表的输入向量;
所述计算模块,用于将所述输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到所述输入向量与各个特征向量的相似度;
所述推荐模块,用于根据所述输入向量与各个特征向量的相似度,得到所述至少一个输入字段对应的目标图表;并将所述目标图表发送给终端设备。
第三方面,本申请实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本申请任意实施例所述的图表推荐方法。
第四方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请任意实施例所述的图表推荐方法。
根据本申请的技术解决了现有技术中基于决策树实现图表推荐所带来的复杂度高和准确地低的技术问题,本申请提供的技术方案,不仅可以有效地减少图表推荐的复杂度,同时还可以提高图表推荐的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的图表推荐方法的第一流程示意图;
图2是本申请实施例提供的图表推荐方法的第二流程示意图;
图3是本申请实施例提供的图表推荐界面的结构示意图;
图4是本申请实施例提供的图表推荐方法的第三流程示意图;
图5是本申请实施例提供的图表推荐装置的结构示意图;
图6是本申请实施例提供的生成模块的结构示意图;
图7是用来实现本申请实施例的图表推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是本申请实施例提供的图表推荐方法的第一流程示意图,该方法可以由图表推荐装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,图表推荐方法可以包括以下步骤:
S101、根据预先获取的至少一个输入字段,生成至少一个输入字段相对于各个图表的输入向量。
在本步骤中,电子设备可以根据预先获取的至少一个输入字段,生成至少一个输入字段相对于各个图表的输入向量。具体地,电子设备可以先根据各个输入字段所在的容器的种类,确定出各个输入字段的用途;然后根据各个输入字段的用途和预先确定的各个输入字段的类型以及各个输入字段的单位,生成至少一个输入字段相对于各个图表的输入向量。具体地,电子设备可以先在全部的图表中提取出一个图表作为当前图表;当至少一个输入字段满足预先设置的调整条件时,根据当前图表对应的特征向量对各个输入字段的用途、各个输入字段的类型或者各个输入字段的单位进行调整,得到各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位;然后根据各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位生成至少一个输入字段相对于当前图表的输入向量;重复执行上述操作,直到计算出至少一个输入字段相对于各个图表的输入向量。
S102、将输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到输入向量与各个特征向量的相似度。
在本步骤中,电子设备可以将输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到输入向量与各个特征向量的相似度。具体地,电子设备可以先在全部的图表中提取出一个图表作为当前图表;然后根据至少一个输入字段相对于当前图表的输入向量和当前图表对应的特征向量,计算出至少一个输入字段相对于当前图表的输入向量与当前图表对应的特征向量的相似度;重复执行上述提取当前图表的操作,直到计算出各个输入向量与各个特征向量的相似度。具体地,电子设备可以在至少一个输入字段相对于当前图表的输入向量中提取出一个因素作为当前输入因素;在当前图表对应的特征向量中提取出一个因素作为当前特征因素;若当前输入因素与当前特征因素相同,则电子设备可以将当前输入因素和当前特征因素对应的分量标记为有效分量;若当前输入因素与当前特征因素不相同,则电子设备可以将当前输入因素和当前特征因素对应的分量标记为无效分量;重复执行上述提取当前输入因素和当前特征因素的操作,直到标记出各个输入因素和各个特征因素对应的分量为有效分量或者无效分量;然后根据各个输入因素和各个特征因素对应的分量以及预先设置的各个分量的权重值,计算出至少一个输入字段相对于当前图表的输入向量与当前图表对应的特征向量的相似度。
S103、根据输入向量与各个特征向量的相似度,得到至少一个输入字段对应的目标图表;并将目标图表发送给终端设备。
在本步骤中,电子设备可以根据输入向量与各个特征向量的相似度,得到至少一个输入字段对应的目标图表;并将目标图表发送给终端设备。具体地,电子设备可以根据各个输入向量与各个特征向量的相似度,计算出至少一个输入字段相对于各个图表的打分;然后将至少一个输入字段相对于各个图表的打分进行排序,将打分最高的一个或者若干个图表作为至少一个输入字段对应的目标图表。
本申请实施例提出的图表推荐方法,先根据预先获取的至少一个输入字段,生成至少一个输入字段相对于各个图表的输入向量;然后将输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到输入向量与各个特征向量的相似度;再根据输入向量与各个特征向量的相似度,得到至少一个输入字段对应的目标图表;并将目标图表发送给终端设备。也就是说,本申请可以针对每一个图表分别计算至少一个输入字段的输入向量;对于同样的至少一个输入字段,针对不同的图表可以计算出不同的输入向量;然后再基于各个输入向量和各个图表对应的特征向量分别进行相似度计算。而在现有的图表推荐方法中,基于预先定义好的决策树进行推荐,无法适用于图表种类多和字段复杂的场景。因为本申请采用了针对每一个图表分别计算至少一个输入字段的输入向量以及于各个输入向量和各个图表对应的特征向量分别进行相似度计算的技术手段,克服了现有技术中基于预先定义好的决策树的推荐方法无法适用于图表种类多和字段复杂的场景的技术问题,本申请提供的技术方案,不仅可以有效地减少图表推荐的复杂度,同时还可以提高图表推荐的准确性;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
图2是本申请实施例提供的图表推荐方法的第二流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图3所示,图表推荐方法可以包括以下步骤:
S201、根据各个输入字段所在的容器的种类,确定出各个输入字段的用途。
在本步骤中,电子设备可以根据各个输入字段所在的容器的种类,确定出各个输入字段的用途。具体地,用户可以将各个输入字段若入至不同的容器中,每一个容器对应于各自的种类,例如,容器的种类可以包括以下至少其中之一:列/X轴、行/Y轴、指标/取值、颜色/分类、大小/角度、标签/名称;同时不同的种类对应于不同的用途,因此,电子设备可以根据各个输入字段所在的容器的种类,确定出各个输入字段的用途。
图3是本申请实施例提供的图表推荐界面的结构示意图。如图3所示,在图表推荐界面中,用户可以根据自己的意愿将在数据表中选中的字段拖入到任意一个容器中。例如,显示界面的左半部分列出了六种容器,分别为:列/X轴、行/Y轴、指标/取值、颜色/分类、大小/角度、标签/名称;显示界面的右半部分列出了各个候选字段提供给用户选择,分别为:产品名称、制造商、发货日期、国家、地区、城市、子类别、客户名称、省份、细分代码、订单_id、订单日期、邮寄方式、折扣等。
S202、根据各个输入字段的用途和预先确定的各个输入字段的类型以及各个输入字段的单位,生成输入向量。
在本步骤中,电子设备可以根据各个输入字段的用途和预先确定的各个输入字段的类型以及各个输入字段的单位,生成输入向量。具体地,电子设备可以在全部的图表中提取出一个图表作为当前图表;当至少一个输入字段满足预先设置的调整条件时,电子设备可以根据当前图表对应的特征向量对各个输入字段的用途、各个输入字段的类型或者各个输入字段的单位进行调整,得到各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位;然后根据各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位生成至少一个输入字段相对于当前图表的输入向量;重复执行上述操作,直到计算出各个输入向量。具体地,电子设备可以先根据各个输入字段的目标用途,确定出输入向量中的与字段用途相关联的各个因素的取值;然后根据各个输入字段的目标类型,确定出输入向量中的与字段主类型相关联的各个因素的取值和与字段子类型相关联的各个因素的取值;其中,输入字段的类型包括:字段主类型和字段子类型;接着根据各个输入字段的目标类型和各个输入字段的目标单位,确定出输入向量中的与图表特点相关联的各个因素的取值;最后根据与字段用途相关联的各个因素的取值、与字段主类型相关联的各个因素的取值、与字段子类型相关联的各个因素的取值以及与图表特点相关联的各个因素的取值生成输入向量。
进一步地,在本申请的具体实施例中,与字段用途相关联的各个因素可以包括:颜色字段数量、角度字段数量、行字段数量、列字段数量;与字段主类型相关联的各个因素可以包括:维度字段数量、度量字段数量、任意字段数量;与字段子类型相关联的各个因素可以包括:地理字段数量、经度字段数量、维度字段数量、日期字段数量、时间字段数量;与图表特点相关联的各个因素可以包括:至少一个输入字段中是否存在至少一个其子类型为日期的字段、至少一个输入字段中是否存在至少两个其单位不同的字段。即输入向量的格式如下:[颜色字段数量、角度字段数量、行字段数量、列字段数量、维度字段数量、度量字段数量、任意字段数量、地理字段数量、经度字段数量、维度字段数量、日期字段数量、时间字段数量、至少一个输入字段中是否存在至少一个其子类型为日期的字段、至少一个输入字段中是否存在至少两个其单位不同的字段]。
S203、将输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到输入向量与各个特征向量的相似度。
在本步骤中,电子设备可以将输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到输入向量与各个特征向量的相似度。需要说明的是,各个图表对应的特征向量是基于各个图表对字段的需求确定的,即根据各个图表对字段的需求,为各个图表生成一个特征向量。例如针对折线图:需要一个维度作为行,至少一个度量作为列,擅长展示含有日期类的数据,有多单位优化;那么折线图对应的特征向量为:[0,0,0,0,0,1,1,0,1,1,0,0,1,1]。例如针对饼图:需要一个维度作为颜色,一个度量作为角度;那么饼图对应的特征向量为:[0,0,0,0,0,1,1,0,0,0,1,1,0,0]。例如针对旭日图:需要两个维度字段作为颜色,一个度量作为角度;那么旭日图对应的特征向量为:[0,0,0,0,0,2,1,0,0,0,2,1,0,0]。例如针对地图:需要一个地理类型的维度,一个度量;那么地图对应的特征向量为:[1,0,0,0,0,1,1,0,0,0,1,0,0,0]。
S204、根据输入向量与各个特征向量的相似度,得到至少一个输入字段对应的目标图表;并将目标图表发送给终端设备。
本申请实施例提出的图表推荐方法,先根据预先获取的至少一个输入字段,生成至少一个输入字段相对于各个图表的输入向量;然后将输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到输入向量与各个特征向量的相似度;再根据输入向量与各个特征向量的相似度,得到至少一个输入字段对应的目标图表;并将目标图表发送给终端设备。也就是说,本申请可以针对每一个图表分别计算至少一个输入字段的输入向量;对于同样的至少一个输入字段,针对不同的图表可以计算出不同的输入向量;然后再基于各个输入向量和各个图表对应的特征向量分别进行相似度计算。而在现有的图表推荐方法中,基于预先定义好的决策树进行推荐,无法适用于图表种类多和字段复杂的场景。因为本申请采用了针对每一个图表分别计算至少一个输入字段的输入向量以及于各个输入向量和各个图表对应的特征向量分别进行相似度计算的技术手段,克服了现有技术中基于预先定义好的决策树的推荐方法无法适用于图表种类多和字段复杂的场景的技术问题,本申请提供的技术方案,不仅可以有效地减少图表推荐的复杂度,同时还可以提高图表推荐的准确性;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
图4是本申请实施例提供的图表推荐方法的第三流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图4所示,图表推荐方法可以包括以下步骤:
S401、根据各个输入字段所在的容器的种类,确定出各个输入字段的用途。
S402、在全部的图表中提取出一个图表作为当前图表。
S403、当至少一个输入字段满足预先设置的调整条件时,根据当前图表对应的特征向量对各个输入字段的用途、各个输入字段的类型或者各个输入字段的单位进行调整,得到各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位。
在本步骤中,当至少一个输入字段满足预先设置的调整条件时,电子设备可以根据当前图表对应的特征向量对各个输入字段的用途、各个输入字段的类型或者各个输入字段的单位进行调整,得到各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位。具体地,本申请实施例中的调整条件是指在对各个输入字段进行调整后,不影响至少一个输入字段在调整前的内容表达。例如,字段主类型可以包括:维度、度量和任意;由于字段主类型包括“任意”,因此,可以将某一个字段的主类型由“维度”调整为“任意”;或者由“度量”调整为“任意”;再例如,字段子类型可以包括:地理、经度、纬度、日期、时间;由于字段子类型不包括:“任意”,因此,不可以将某一字段的子类型调整为“任意”。也就是说,对于一组输入字段,在和不同的图表的特征向量作对比时,生成的输入向量可能是不同的,生成时会在可行范围内尽量减少与当前图表的特征向量的距离。例如,输入字段N是一个维度,两个度量;特征向量A里,需要一个维度,一个度量,两个任意字段,对应为[1,1,2],此时输入向量对应为[1,1,1];特征向量B里,需要一个维度,2个度量,对应为[1,2,0],此时输入向量对应为[1,2,0]。
S404、根据各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位生成至少一个输入字段相对于当前图表的输入向量;重复执行上述操作,直到计算出各个输入向量。
在本步骤中,电子设备可以根据各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位生成至少一个输入字段相对于当前图表的输入向量;重复执行上述操作,直到计算出各个输入向量。具体地,电子设备可以根据各个输入字段的目标用途,确定出输入向量中的与字段用途相关联的各个因素的取值;然后根据各个输入字段的目标类型,确定出输入向量中的与字段主类型相关联的各个因素的取值和与字段子类型相关联的各个因素的取值;其中,输入字段的类型包括:字段主类型和字段子类型;接着根据各个输入字段的目标类型和各个输入字段的目标单位,确定出输入向量中的与图表特点相关联的各个因素的取值;最后根据与字段用途相关联的各个因素的取值、与字段主类型相关联的各个因素的取值、与字段子类型相关联的各个因素的取值以及与图表特点相关联的各个因素的取值生成输入向量。
S405、将输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到输入向量与各个特征向量的相似度。
在本申请的具体实施例中,电子设备可以将输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到输入向量与各个特征向量的相似度。具体地,电子设备可以先在全部的图表中提取出一个图表作为当前图表;然后根据至少一个输入字段相对于当前图表的输入向量和当前图表对应的特征向量,计算出至少一个输入字段相对于当前图表的输入向量与当前图表对应的特征向量的相似度;重复执行上述提取当前图表的操作,直到计算出各个输入向量与各个特征向量的相似度。具体地,电子设备可以在至少一个输入字段相对于当前图表的输入向量中提取出一个因素作为当前输入因素;在当前图表对应的特征向量中提取出一个因素作为当前特征因素;若当前输入因素与当前特征因素相同,则电子设备可以将当前输入因素和当前特征因素对应的分量标记为有效分量;若当前输入因素与当前特征因素不相同,则电子设备可以将当前输入因素和当前特征因素对应的分量标记为无效分量;重复执行上述提取当前输入因素和当前特征因素的操作,直到标记出各个输入因素和各个特征因素对应的分量为有效分量或者无效分量;最后根据各个输入因素和各个特征因素对应的分量以及预先设置的各个分量的权重值,计算出至少一个输入字段相对于当前图表的输入向量与当前图表对应的特征向量的相似度。例如,第1-5个分量的权重值为100,第6-8个分量的权重值为90,第9-10个分量的权重值为50,第11-14个分量的权重值为10。
S406、根据输入向量与各个特征向量的相似度,得到至少一个输入字段对应的目标图表;并将目标图表发送给终端设备。
本申请实施可以明显地减少推荐算法逻辑的复杂度,使得图表种类和衡量指标较多时进行图表推荐变得可行;在增加图表种类时,只需要新配置一个图表的特征向量,无需对推荐逻辑进行调整;在增加衡量指标时,只需要拓展向量格式,对现有推荐逻辑的影响可控;另外,本申请实施例针对每个图表的特征向量分别计算相似度,使得推荐结果天然可以形成一个按推荐度排序的列表,给用户传递更多的信息作为参考。
本申请实施例提出的图表推荐方法,先根据预先获取的至少一个输入字段,生成至少一个输入字段相对于各个图表的输入向量;然后将输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到输入向量与各个特征向量的相似度;再根据输入向量与各个特征向量的相似度,得到至少一个输入字段对应的目标图表;并将目标图表发送给终端设备。也就是说,本申请可以针对每一个图表分别计算至少一个输入字段的输入向量;对于同样的至少一个输入字段,针对不同的图表可以计算出不同的输入向量;然后再基于各个输入向量和各个图表对应的特征向量分别进行相似度计算。而在现有的图表推荐方法中,基于预先定义好的决策树进行推荐,无法适用于图表种类多和字段复杂的场景。因为本申请采用了针对每一个图表分别计算至少一个输入字段的输入向量以及于各个输入向量和各个图表对应的特征向量分别进行相似度计算的技术手段,克服了现有技术中基于预先定义好的决策树的推荐方法无法适用于图表种类多和字段复杂的场景的技术问题,本申请提供的技术方案,不仅可以有效地减少图表推荐的复杂度,同时还可以提高图表推荐的准确性;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
图5是本申请实施例提供的图表推荐装置的结构示意图。如图5所示,所述装置500包括:生成模块501、计算模块502和推荐模块503;其中,
所述生成模块501,用于根据预先获取的至少一个输入字段,生成所述至少一个输入字段相对于各个图表的输入向量;
所述计算模块502,用于将所述输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到所述输入向量与各个特征向量的相似度;
所述推荐模块503,用于根据所述输入向量与各个特征向量的相似度,得到所述至少一个输入字段对应的目标图表;并将所述目标图表发送给终端设备。
图6是本申请实施例提供的生成模块的结构示意图。如图6所示,所述生成模块501包括:确定子模块5011和生成子模块5012;其中,
所述确定子模块5011,用于根据各个输入字段所在的容器的种类,确定出各个输入字段的用途;
所述生成子模块5012,用于根据各个输入字段的用途和预先确定的各个输入字段的类型以及各个输入字段的单位,生成所述输入向量。
进一步的,所述生成子模块5012,具体用于在全部的图表中提取出一个图表作为当前图表;当所述至少一个输入字段满足预先设置的调整条件时,根据所述当前图表对应的特征向量对各个输入字段的用途、各个输入字段的类型或者各个输入字段的单位进行调整,得到各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位;根据各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位生成所述至少一个输入字段相对于所述当前图表的输入向量;重复执行上述操作,直到计算出各个输入向量。
进一步的,所述生成子模块5012,具体用于根据各个输入字段的目标用途,确定出所述输入向量中的与字段用途相关联的各个因素的取值;根据各个输入字段的目标类型,确定出所述输入向量中的与字段主类型相关联的各个因素的取值和与字段子类型相关联的各个因素的取值;其中,所述输入字段的类型包括:所述字段主类型和所述字段子类型;根据各个输入字段的目标类型和各个输入字段的目标单位,确定出所述输入向量中的与图表特点相关联的各个因素的取值;根据所述与字段用途相关联的各个因素的取值、所述与字段主类型相关联的各个因素的取值、所述与字段子类型相关联的各个因素的取值以及所述与图表特点相关联的各个因素的取值生成所述输入向量。
进一步的,所述与字段用途相关联的各个因素包括:颜色字段数量、角度字段数量、行字段数量、列字段数量;所述与字段主类型相关联的各个因素包括:维度字段数量、度量字段数量、任意字段数量;所述与字段子类型相关联的各个因素包括:地理字段数量、经度字段数量、维度字段数量、日期字段数量、时间字段数量;所述与图表特点相关联的各个因素包括:所述至少一个输入字段中是否存在至少一个其子类型为日期的字段、所述至少一个输入字段中是否存在至少两个其单位不同的字段。
进一步的,所述计算模块502,具体用于在全部的图表中提取出一个图表作为当前图表;根据所述至少一个输入字段相对于所述当前图表的输入向量和所述当前图表对应的特征向量,计算出所述至少一个输入字段相对于所述当前图表的输入向量与所述当前图表对应的特征向量的相似度;重复执行上述提取所述当前图表的操作,直到计算出各个输入向量与各个特征向量的相似度。
进一步的,所述计算模块502,具体用于在所述至少一个输入字段相对于所述当前图表的输入向量中提取出一个因素作为当前输入因素;在所述当前图表对应的特征向量中提取出一个因素作为当前特征因素;若所述当前输入因素与所述当前特征因素相同,则将所述当前输入因素和所述当前特征因素对应的分量标记为有效分量;若所述当前输入因素与所述当前特征因素不相同,则将所述当前输入因素和所述当前特征因素对应的分量标记为无效分量;重复执行上述提取所述当前输入因素和所述当前特征因素的操作,直到标记出各个输入因素和各个特征因素对应的分量为有效分量或者无效分量;根据各个输入因素和各个特征因素对应的分量以及预先设置的各个分量的权重值,计算出所述至少一个输入字段相对于所述当前图表的输入向量与所述当前图表对应的特征向量的相似度。
上述图表推荐装置可执行本申请任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的图表推荐方法。
根据本申请的实施例,本申请实施例还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例的图表推荐方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的图表推荐方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的图表推荐方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的图表推荐方法对应的程序指令/模块(例如,附图5所示的生成模块501、计算模块502和推荐模块503)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的图表推荐方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据图表推荐的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至图表推荐的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图表推荐的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与图表推荐的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请实施例的技术方案,先根据预先获取的至少一个输入字段,生成至少一个输入字段相对于各个图表的输入向量;然后将输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到输入向量与各个特征向量的相似度;再根据输入向量与各个特征向量的相似度,得到至少一个输入字段对应的目标图表;并将目标图表发送给终端设备。也就是说,本申请可以针对每一个图表分别计算至少一个输入字段的输入向量;对于同样的至少一个输入字段,针对不同的图表可以计算出不同的输入向量;然后再基于各个输入向量和各个图表对应的特征向量分别进行相似度计算。而在现有的图表推荐方法中,基于预先定义好的决策树进行推荐,无法适用于图表种类多和字段复杂的场景。因为本申请采用了针对每一个图表分别计算至少一个输入字段的输入向量以及于各个输入向量和各个图表对应的特征向量分别进行相似度计算的技术手段,克服了现有技术中基于预先定义好的决策树的推荐方法无法适用于图表种类多和字段复杂的场景的技术问题,本申请提供的技术方案,不仅可以有效地减少图表推荐的复杂度,同时还可以提高图表推荐的准确性;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种图表推荐方法,所述方法包括:
根据预先获取的至少一个输入字段,生成所述至少一个输入字段相对于各个图表的输入向量;
将所述输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到所述输入向量与各个特征向量的相似度;
根据所述输入向量与各个特征向量的相似度,得到所述至少一个输入字段对应的目标图表;并将所述目标图表发送给终端设备。
2.根据权利要求1所述的方法,所述根据预先获取的至少一个输入字段,生成所述至少一个输入字段相对于各个图表的输入向量,包括:
根据各个输入字段所在的容器的种类,确定出各个输入字段的用途;
根据各个输入字段的用途和预先确定的各个输入字段的类型以及各个输入字段的单位,生成所述输入向量。
3.根据权利要求2所述的方法,所述根据各个输入字段的用途和预先确定的各个输入字段的类型以及各个输入字段的单位,生成所述输入向量,包括:
在全部的图表中提取出一个图表作为当前图表;
当所述至少一个输入字段满足预先设置的调整条件时,根据所述当前图表对应的特征向量对各个输入字段的用途、各个输入字段的类型或者各个输入字段的单位进行调整,得到各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位;
根据各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位生成所述至少一个输入字段相对于所述当前图表的输入向量;重复执行上述操作,直到计算出各个输入向量。
4.根据权利要求3所述的方法,所述根据各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位生成所述至少一个输入字段相对于所述当前图表的输入向量,包括:
根据各个输入字段的目标用途,确定出所述输入向量中的与字段用途相关联的各个因素的取值;
根据各个输入字段的目标类型,确定出所述输入向量中的与字段主类型相关联的各个因素的取值和与字段子类型相关联的各个因素的取值;其中,所述输入字段的类型包括:所述字段主类型和所述字段子类型;
根据各个输入字段的目标类型和各个输入字段的目标单位,确定出所述输入向量中的与图表特点相关联的各个因素的取值;
根据所述与字段用途相关联的各个因素的取值、所述与字段主类型相关联的各个因素的取值、所述与字段子类型相关联的各个因素的取值以及所述与图表特点相关联的各个因素的取值生成所述输入向量。
5.根据权利要求4所述的方法,所述与字段用途相关联的各个因素包括:颜色字段数量、角度字段数量、行字段数量、列字段数量;所述与字段主类型相关联的各个因素包括:维度字段数量、度量字段数量、任意字段数量;所述与字段子类型相关联的各个因素包括:地理字段数量、经度字段数量、维度字段数量、日期字段数量、时间字段数量;所述与图表特点相关联的各个因素包括:所述至少一个输入字段中是否存在至少一个其子类型为日期的字段、所述至少一个输入字段中是否存在至少两个其单位不同的字段。
6.根据权利要求1所述的方法,所述将所述输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到所述输入向量与各个特征向量的相似度,包括:
在全部的图表中提取出一个图表作为当前图表;
根据所述至少一个输入字段相对于所述当前图表的输入向量和所述当前图表对应的特征向量,计算出所述至少一个输入字段相对于所述当前图表的输入向量与所述当前图表对应的特征向量的相似度;重复执行上述提取所述当前图表的操作,直到计算出各个输入向量与各个特征向量的相似度。
7.根据权利要求6所述的方法,所述根据所述至少一个输入字段相对于所述当前图表的输入向量和所述当前图表对应的特征向量,计算出所述至少一个输入字段相对于所述当前图表的输入向量与所述当前图表对应的特征向量的相似度,包括:
在所述至少一个输入字段相对于所述当前图表的输入向量中提取出一个因素作为当前输入因素;在所述当前图表对应的特征向量中提取出一个因素作为当前特征因素;
若所述当前输入因素与所述当前特征因素相同,则将所述当前输入因素和所述当前特征因素对应的分量标记为有效分量;若所述当前输入因素与所述当前特征因素不相同,则将所述当前输入因素和所述当前特征因素对应的分量标记为无效分量;重复执行上述提取所述当前输入因素和所述当前特征因素的操作,直到标记出各个输入因素和各个特征因素对应的分量为有效分量或者无效分量;
根据各个输入因素和各个特征因素对应的分量以及预先设置的各个分量的权重值,计算出所述至少一个输入字段相对于所述当前图表的输入向量与所述当前图表对应的特征向量的相似度。
8.一种图表推荐装置,所述装置包括:生成模块、计算模块和推荐模块;其中,
所述生成模块,用于根据预先获取的至少一个输入字段,生成所述至少一个输入字段相对于各个图表的输入向量;
所述计算模块,用于将所述输入向量和预先确定的各个图表对应的特征向量分别进行相似度计算,得到所述输入向量与各个特征向量的相似度;
所述推荐模块,用于根据所述输入向量与各个特征向量的相似度,得到所述至少一个输入字段对应的目标图表;并将所述目标图表发送给终端设备。
9.根据权利要求8所述的装置,所述生成模块包括:确定子模块和生成子模块;其中,
所述确定子模块,用于根据各个输入字段所在的容器的种类,确定出各个输入字段的用途;
所述生成子模块,用于根据各个输入字段的用途和预先确定的各个输入字段的类型以及各个输入字段的单位,生成所述输入向量。
10.根据权利要求9所述的装置,所述生成子模块,具体用于在全部的图表中提取出一个图表作为当前图表;当所述至少一个输入字段满足预先设置的调整条件时,根据所述当前图表对应的特征向量对各个输入字段的用途、各个输入字段的类型或者各个输入字段的单位进行调整,得到各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位;根据各个输入字段的目标用途、各个输入字段的目标类型和各个输入字段的目标单位生成所述至少一个输入字段相对于所述当前图表的输入向量;重复执行上述操作,直到计算出各个输入向量。
11.根据权利要求10所述的装置,所述生成子模块,具体用于根据各个输入字段的目标用途,确定出所述输入向量中的与字段用途相关联的各个因素的取值;根据各个输入字段的目标类型,确定出所述输入向量中的与字段主类型相关联的各个因素的取值和与字段子类型相关联的各个因素的取值;其中,所述输入字段的类型包括:所述字段主类型和所述字段子类型;根据各个输入字段的目标类型和各个输入字段的目标单位,确定出所述输入向量中的与图表特点相关联的各个因素的取值;根据所述与字段用途相关联的各个因素的取值、所述与字段主类型相关联的各个因素的取值、所述与字段子类型相关联的各个因素的取值以及所述与图表特点相关联的各个因素的取值生成所述输入向量。
12.根据权利要求11所述的装置,所述与字段用途相关联的各个因素包括:颜色字段数量、角度字段数量、行字段数量、列字段数量;所述与字段主类型相关联的各个因素包括:维度字段数量、度量字段数量、任意字段数量;所述与字段子类型相关联的各个因素包括:地理字段数量、经度字段数量、维度字段数量、日期字段数量、时间字段数量;所述与图表特点相关联的各个因素包括:所述至少一个输入字段中是否存在至少一个其子类型为日期的字段、所述至少一个输入字段中是否存在至少两个其单位不同的字段。
13.根据权利要求8所述的装置,所述计算模块,具体用于在全部的图表中提取出一个图表作为当前图表;根据所述至少一个输入字段相对于所述当前图表的输入向量和所述当前图表对应的特征向量,计算出所述至少一个输入字段相对于所述当前图表的输入向量与所述当前图表对应的特征向量的相似度;重复执行上述提取所述当前图表的操作,直到计算出各个输入向量与各个特征向量的相似度。
14.根据权利要求13所述的装置,所述计算模块,具体用于在所述至少一个输入字段相对于所述当前图表的输入向量中提取出一个因素作为当前输入因素;在所述当前图表对应的特征向量中提取出一个因素作为当前特征因素;若所述当前输入因素与所述当前特征因素相同,则将所述当前输入因素和所述当前特征因素对应的分量标记为有效分量;若所述当前输入因素与所述当前特征因素不相同,则将所述当前输入因素和所述当前特征因素对应的分量标记为无效分量;重复执行上述提取所述当前输入因素和所述当前特征因素的操作,直到标记出各个输入因素和各个特征因素对应的分量为有效分量或者无效分量;根据各个输入因素和各个特征因素对应的分量以及预先设置的各个分量的权重值,计算出所述至少一个输入字段相对于所述当前图表的输入向量与所述当前图表对应的特征向量的相似度。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011027640.3A CN112015774B (zh) | 2020-09-25 | 2020-09-25 | 一种图表推荐方法、装置、电子设备及存储介质 |
JP2021130066A JP2021177436A (ja) | 2020-09-25 | 2021-08-06 | グラフ推薦方法、装置、電子機器及び記憶媒体 |
US17/397,505 US11630827B2 (en) | 2020-09-25 | 2021-08-09 | Method for recommending chart, electronic device, and storage medium |
EP21190463.6A EP3905125A3 (en) | 2020-09-25 | 2021-08-10 | Method and apparatus for recommending chart, electronic device, and storage medium |
KR1020210122104A KR20210119339A (ko) | 2020-09-25 | 2021-09-13 | 차트 추천 방법 및 장치, 전자 기기 및 저장 매체 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011027640.3A CN112015774B (zh) | 2020-09-25 | 2020-09-25 | 一种图表推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112015774A true CN112015774A (zh) | 2020-12-01 |
CN112015774B CN112015774B (zh) | 2023-08-29 |
Family
ID=73528249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011027640.3A Active CN112015774B (zh) | 2020-09-25 | 2020-09-25 | 一种图表推荐方法、装置、电子设备及存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11630827B2 (zh) |
EP (1) | EP3905125A3 (zh) |
JP (1) | JP2021177436A (zh) |
KR (1) | KR20210119339A (zh) |
CN (1) | CN112015774B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882786A (zh) * | 2021-02-18 | 2021-06-01 | 北京明略昭辉科技有限公司 | 用于辅助推荐图表类型的方法、装置、电子设备及存储介质 |
CN113139102A (zh) * | 2021-05-18 | 2021-07-20 | 北京深演智能科技股份有限公司 | 数据处理方法、装置、非易失性存储介质及处理器 |
CN116091253A (zh) * | 2023-04-07 | 2023-05-09 | 北京亚信数据有限公司 | 医保风控数据采集方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITMI20031449A1 (it) * | 2003-07-15 | 2005-01-16 | St Microelectronics Srl | Metodo per classificare una immagine digitale |
US20140184607A1 (en) * | 2012-12-28 | 2014-07-03 | Fujitsu Limited | Information processing apparatus and method for generating graphs |
US20150073931A1 (en) * | 2013-09-06 | 2015-03-12 | Microsoft Corporation | Feature selection for recommender systems |
WO2018039446A1 (en) * | 2016-08-26 | 2018-03-01 | Nec Laboratories America, Inc. | Recommender system for heterogeneous log pattern editing operation |
US20180165851A1 (en) * | 2016-12-09 | 2018-06-14 | Dropbox, Inc. | Automated chart generation within a document generation application |
CN109935338A (zh) * | 2019-03-07 | 2019-06-25 | 平安科技(深圳)有限公司 | 基于机器学习的数据预测处理方法、装置和计算机设备 |
US20190266257A1 (en) * | 2018-02-28 | 2019-08-29 | Laserlike, Inc. | Vector similarity search in an embedded space |
CN110489449A (zh) * | 2019-07-30 | 2019-11-22 | 北京百分点信息科技有限公司 | 一种图表推荐方法、装置和电子设备 |
KR20190136941A (ko) * | 2018-05-31 | 2019-12-10 | 한국과학기술원 | 관측평점과 유사도 그래프를 활용한 추천 알고리즘의 평점 예측 방법 |
CN111046082A (zh) * | 2019-12-12 | 2020-04-21 | 国家电网有限公司大数据中心 | 数据源的确定方法、装置、服务器和存储介质 |
US20200285672A1 (en) * | 2019-03-04 | 2020-09-10 | Shashi Ranjan Kumar | Automatic selection of visualizations representing data based on data analysis |
CN111666495A (zh) * | 2020-06-05 | 2020-09-15 | 北京百度网讯科技有限公司 | 案件推荐方法、装置、设备以及存储介质 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5461708A (en) | 1993-08-06 | 1995-10-24 | Borland International, Inc. | Systems and methods for automated graphing of spreadsheet information |
JP2002229955A (ja) * | 2001-02-02 | 2002-08-16 | Matsushita Electric Ind Co Ltd | 情報端末装置及び認証システム |
US9165042B2 (en) * | 2005-03-31 | 2015-10-20 | International Business Machines Corporation | System and method for efficiently performing similarity searches of structural data |
US8874586B1 (en) * | 2006-07-21 | 2014-10-28 | Aol Inc. | Authority management for electronic searches |
US9224217B2 (en) | 2012-01-06 | 2015-12-29 | Apple Inc. | Analytical charting |
US9898773B2 (en) * | 2014-11-18 | 2018-02-20 | Microsoft Technology Licensing, Llc | Multilingual content based recommendation system |
US10713579B2 (en) * | 2015-05-08 | 2020-07-14 | Nec Corporation | Weighted similarity estimation in data streams with applications to collaborative filtering and viral marketing |
JP7003504B2 (ja) * | 2017-09-05 | 2022-01-20 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置及びプログラム |
US20190139280A1 (en) | 2017-11-06 | 2019-05-09 | Microsoft Technology Licensing, Llc | Augmented reality environment for tabular data in an image feed |
WO2019133989A1 (en) * | 2017-12-29 | 2019-07-04 | DataVisor, Inc. | Detecting network attacks |
US11093842B2 (en) * | 2018-02-13 | 2021-08-17 | International Business Machines Corporation | Combining chemical structure data with unstructured data for predictive analytics in a cognitive system |
JP7013334B2 (ja) | 2018-06-25 | 2022-01-31 | 株式会社東芝 | 表示システム、プログラム、及び記憶媒体 |
US11269870B2 (en) * | 2018-10-02 | 2022-03-08 | Adobe Inc. | Performing automatic segment expansion of user embeddings using multiple user embedding representation types |
US11526727B1 (en) * | 2020-05-14 | 2022-12-13 | Rapid7, Inc. | Machine learned chart recommendation system |
-
2020
- 2020-09-25 CN CN202011027640.3A patent/CN112015774B/zh active Active
-
2021
- 2021-08-06 JP JP2021130066A patent/JP2021177436A/ja active Pending
- 2021-08-09 US US17/397,505 patent/US11630827B2/en active Active
- 2021-08-10 EP EP21190463.6A patent/EP3905125A3/en active Pending
- 2021-09-13 KR KR1020210122104A patent/KR20210119339A/ko not_active Application Discontinuation
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITMI20031449A1 (it) * | 2003-07-15 | 2005-01-16 | St Microelectronics Srl | Metodo per classificare una immagine digitale |
US20140184607A1 (en) * | 2012-12-28 | 2014-07-03 | Fujitsu Limited | Information processing apparatus and method for generating graphs |
CN103914504A (zh) * | 2012-12-28 | 2014-07-09 | 富士通株式会社 | 信息处理装置和用于生成图表的方法 |
US20150073931A1 (en) * | 2013-09-06 | 2015-03-12 | Microsoft Corporation | Feature selection for recommender systems |
WO2018039446A1 (en) * | 2016-08-26 | 2018-03-01 | Nec Laboratories America, Inc. | Recommender system for heterogeneous log pattern editing operation |
US20180165851A1 (en) * | 2016-12-09 | 2018-06-14 | Dropbox, Inc. | Automated chart generation within a document generation application |
US20190266257A1 (en) * | 2018-02-28 | 2019-08-29 | Laserlike, Inc. | Vector similarity search in an embedded space |
KR20190136941A (ko) * | 2018-05-31 | 2019-12-10 | 한국과학기술원 | 관측평점과 유사도 그래프를 활용한 추천 알고리즘의 평점 예측 방법 |
US20200285672A1 (en) * | 2019-03-04 | 2020-09-10 | Shashi Ranjan Kumar | Automatic selection of visualizations representing data based on data analysis |
CN109935338A (zh) * | 2019-03-07 | 2019-06-25 | 平安科技(深圳)有限公司 | 基于机器学习的数据预测处理方法、装置和计算机设备 |
CN110489449A (zh) * | 2019-07-30 | 2019-11-22 | 北京百分点信息科技有限公司 | 一种图表推荐方法、装置和电子设备 |
CN111046082A (zh) * | 2019-12-12 | 2020-04-21 | 国家电网有限公司大数据中心 | 数据源的确定方法、装置、服务器和存储介质 |
CN111666495A (zh) * | 2020-06-05 | 2020-09-15 | 北京百度网讯科技有限公司 | 案件推荐方法、装置、设备以及存储介质 |
Non-Patent Citations (4)
Title |
---|
V. SHIV NAGA PRASAD等: "Classifying Computer Generated Charts", 2007 INTERNATIONAL WORKSHOP ON CONTENT-BASED MULTIMEDIA INDEXING * |
石雁;李朝锋;: "基于协同相似计算的查询推荐", 计算机工程, no. 08 * |
肖文强;姚世军;吴善明;: "基于用户谱聚类的Top-N协同过滤推荐算法", 计算机工程与应用, no. 07 * |
董锴;宋爽;武美;唐毓笠;: "基于多维数据分析技术的BI辅助设计工具的开发", 信息技术与信息化, no. 07 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882786A (zh) * | 2021-02-18 | 2021-06-01 | 北京明略昭辉科技有限公司 | 用于辅助推荐图表类型的方法、装置、电子设备及存储介质 |
CN113139102A (zh) * | 2021-05-18 | 2021-07-20 | 北京深演智能科技股份有限公司 | 数据处理方法、装置、非易失性存储介质及处理器 |
CN116091253A (zh) * | 2023-04-07 | 2023-05-09 | 北京亚信数据有限公司 | 医保风控数据采集方法及装置 |
CN116091253B (zh) * | 2023-04-07 | 2023-08-08 | 北京亚信数据有限公司 | 医保风控数据采集方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
EP3905125A3 (en) | 2022-02-16 |
KR20210119339A (ko) | 2021-10-05 |
JP2021177436A (ja) | 2021-11-11 |
US20210365448A1 (en) | 2021-11-25 |
US11630827B2 (en) | 2023-04-18 |
CN112015774B (zh) | 2023-08-29 |
EP3905125A2 (en) | 2021-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112015774B (zh) | 一种图表推荐方法、装置、电子设备及存储介质 | |
CN111144577B (zh) | 异构图之中节点表示的生成方法、装置和电子设备 | |
CN112559007A (zh) | 多任务模型的参数更新方法、装置及电子设备 | |
CN111881908B (zh) | 目标检测模型的修正方法、检测方法、装置、设备及介质 | |
CN110826634A (zh) | 目标检测模型的训练方法、装置、电子设备及存储介质 | |
CN110427436B (zh) | 实体相似度计算的方法及装置 | |
CN111290718B (zh) | 地图的处理方法、装置和电子设备 | |
CN113642491A (zh) | 人脸融合方法、人脸融合模型的训练方法及装置 | |
CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
CN114202074A (zh) | 用于目标检测任务的预训练模型生成方法、装置及设备 | |
CN111694914B (zh) | 用户常驻区域确定方法及装置 | |
US20210192554A1 (en) | Method, apparatus, device and storage medium for judging permanent area change | |
CN111767380A (zh) | 模型自适应重训方法、装置、电子设备和存储介质 | |
CN112508027A (zh) | 用于实例分割的头部模型、实例分割模型、图像分割方法及装置 | |
CN111767946A (zh) | 医学影像分级模型训练及预测方法、装置、设备及介质 | |
CN112507249A (zh) | 兴趣点生成的方法、装置、电子设备及存储介质 | |
CN114579580A (zh) | 存储数据的方法、查询数据的方法和装置 | |
CN112860811A (zh) | 数据血缘关系的确定方法、装置、电子设备和存储介质 | |
CN112652298A (zh) | 语音识别方法、装置、电子设备和存储介质 | |
CN112329732A (zh) | 模型生成方法、装置、电子设备及存储介质 | |
CN111782748A (zh) | 地图检索方法、信息点poi语义向量的计算方法和装置 | |
CN111625724A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
CN111753955A (zh) | 一种模型参数调整方法、装置、电子设备和存储介质 | |
CN112580716B (zh) | 图谱中边类型的识别方法、装置、设备及存储介质 | |
CN111767479B (zh) | 推荐模型生成方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |