CN113467881B - 图表样式自动化调整方法、装置、计算机设备和存储介质 - Google Patents

图表样式自动化调整方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113467881B
CN113467881B CN202111019386.7A CN202111019386A CN113467881B CN 113467881 B CN113467881 B CN 113467881B CN 202111019386 A CN202111019386 A CN 202111019386A CN 113467881 B CN113467881 B CN 113467881B
Authority
CN
China
Prior art keywords
chart
factor
distribution
processed
adjustment
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.)
Active
Application number
CN202111019386.7A
Other languages
English (en)
Other versions
CN113467881A (zh
Inventor
李鹏
黄文琦
梁凌宇
曾群生
陈佳捷
郭尧
衡星辰
林志达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202111019386.7A priority Critical patent/CN113467881B/zh
Publication of CN113467881A publication Critical patent/CN113467881A/zh
Application granted granted Critical
Publication of CN113467881B publication Critical patent/CN113467881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种图表样式自动化调整方法、装置、计算机设备和存储介质。本申请能够在无需对大量训练样本事先标注的情况下自动学习并提取训练样本中的特征，生成与特征因子对应的概率分布，并能根据用户的需求实现对图表的样式自动化调整，例如对图表的像素颜色、数值范围、编号和排序的统一调整，进一步提高工作、生产和学习效率。该方法包括：获取待处理图表集合；利用预先构建的深度变分自编码器模型对待处理图表集合进行因子提取，得到待处理图表集合的低维因子表征分布；响应于对待处理集合图表中的指定图表的调整指令，基于低维因子表征分布，利用预先构建的深度变分自编码器模型对指定图表进行因子表征调整，得到相应的重构图表。

Description

图表样式自动化调整方法、装置、计算机设备和存储介质
技术领域
本申请涉及数据可视化技术领域，特别是涉及一种图表样式自动化调整方法、装置、计算机设备和存储介质。
背景技术
随着物联网与互联网技术的发展，海量数据不断产生，数据可视化为人们提供了直观的展示效果，越来越受到各行各业的青睐。
但随着数据爆发式增长，生成的图表也越来越多，从大量不同样式的图表中快速提取出人们想要的知识变得越来越困难，例如同一类图表可能由于不同人的编辑而导致像素颜色不统一、符号不统一，还例如从大量折线图中提取出最能体现关键趋势的折线，或者从一张图表中找到人们最想关注的那一条折线，由于大量折线图中包含着不同的知识，或者一张图表中可能存在交叉堆叠的折线，折线都造成用户在进行知识发现、提取和展示过程遇到各种不便，图表识别或分类模型应运而生，这些机器学习模型能够帮助人们对图表样式进行识别和分类。
但目前应用的图表识别模型都需要进行特征提取或模式提取，即需要使用已归类或已经标注的样本进行训练得到能够提取特征的模型，仍然不能自动地从大量数据中主动学习图表特征，因此这种方法也无法实现自动化地按照人们的需求调整图表样式，不利于提高工作、生产和学习效率。
发明内容
基于此，有必要针对上述技术问题，提供一种图表样式自动化调整方法、装置、计算机设备和存储介质。
一种图表样式自动化调整方法，所述方法包括：
获取待处理图表集合；
利用预先构建的深度变分自编码器模型对所述待处理图表集合进行因子提取，得到所述待处理图表集合的低维因子表征分布；
响应于对所述待处理图表集合中的指定图表的调整指令，基于所述低维因子表征分布，利用所述预先构建的深度变分自编码器模型对所述指定图表进行因子表征调整，得到相应的重构图表。
在其中一个实施例中，所述获取待处理图表集合之前，所述方法还包括：
获取可视化图表训练样本，以及深度变分自编码器模型骨架；
利用所述可视化图表训练样本对所述深度变分自编码器模型骨架进行训练，得到所述预先构建的深度变分自编码器模型。
在其中一个实施例中，所述调整指令包括因子调整指令，所述响应于对所述待处理图表集合中的指定图表的调整指令，基于所述低维因子表征分布，利用所述预先构建的深度变分自编码器模型对所述指定图表进行因子表征调整，得到相应的重构图表，包括：
响应于所述因子调整指令，利用所述预先构建的深度变分自编码器模型将所述指定图表中相应的原始因子采样值进行调整，得到调整后的目标因子采样值；
根据所述目标因子采样值，根据所述低维因子表征分布生成与所述指定图表对应的所述重构图表。
在其中一个实施例中，所述调整指令包括因子插值指令，所述指定图表包含至少两幅图表；所述响应于对所述待处理图表集合中的指定图表的调整指令，基于所述低维因子表征分布，利用所述预先构建的深度变分自编码器模型对所述指定图表进行因子表征调整，得到相应的重构图表，包括：
响应于所述因子插值指令，针对所述至少两幅图表的原始因子表征分布的分布参数进行插值运算，得到目标因子表征分布；
利用所述预先构建的深度变分自编码器模型根据所述目标因子表征分布生成所述重构图表。
在其中一个实施例中，所述调整指令包括因子算数加操作指令，所述指定图表包含多幅图表；所述响应于对所述待处理图表集合中的指定图表的调整指令，基于所述低维因子表征分布，利用所述预先构建的深度变分自编码器模型对所述指定图表进行因子表征调整，得到相应的重构图表，包括：
响应于所述因子算数加操作指令，分别针对多幅所述图表的期望和方差进行求和运算，得到期望总和以及方差总和；
基于所述期望总和所述方差总和，确定目标因子表征分布；
利用所述预先构建的深度变分自编码器模型根据所述目标因子表征分布生成所述重构图表。
在其中一个实施例中，所述调整指令包括因子算数减操作指令，所述指定图表包含两幅图表；所述响应于对所述待处理图表集合中的指定图表的调整指令，基于所述低维因子表征分布，利用所述预先构建的深度变分自编码器模型对所述指定图表进行因子表征调整，得到相应的重构图表，包括：
响应于所述因子算数减操作指令，分别针对所述多幅图表的期望和方差进行差分运算，得到目标期望和目标方差；
基于所述目标期望和所述目标方差，确定目标因子表征分布；
利用所述预先构建的深度变分自编码器模型根据所述目标因子表征分布生成所述重构图表。
在其中一个实施例中，所述待处理图表集合是针对原始图表集合进行数据清洗后得到的。
一种图表样式自动化调整装置，所述装置包括：
图表获取模块，用于获取待处理图表集合；
低维因子表征分布计算模块，用于利用预先构建的深度变分自编码器模型对所述待处理图表集合进行因子提取，得到所述待处理图表集合的低维因子表征分布；
图表调整模块，用于响应于对所述待处理图表集合中的指定图表的调整指令，基于所述低维因子表征分布，利用所述预先构建的深度变分自编码器模型对所述指定图表进行因子表征调整，得到相应的重构图表。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述图表样式自动化调整方法实施例中的各步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述图表样式自动化调整方法实施例中的各步骤。
上述图表样式自动化调整方法、装置、计算机设备和存储介质，包括：获取待处理图表集合；利用预先构建的深度变分自编码器模型对待处理图表集合进行因子提取，得到待处理图表集合的低维因子表征分布；响应于对待处理集合图表中的指定图表的调整指令，基于低维因子表征分布，利用预先构建的深度变分自编码器模型对指定图表进行因子表征调整，得到相应的重构图表。本申请能够在无需对大量训练样本事先标注的情况下自动学习并提取训练样本中的特征，生成与特征因子对应的概率分布，并能根据用户的需求实现对图表的样式自动化调整，例如对图表的像素颜色、数值范围、编号和排序的统一调整，进一步提高工作、生产和学习效率。
附图说明
图1为一个实施例中图表样式自动化调整方法的应用环境图；
图2为一个实施例中图表样式自动化调整方法的流程示意图；
图3为一个实施例中图表样式自动化调整装置的结构框图；
图4为一个实施例中计算机设备的内部结构图；
图5为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的图表样式自动化调整方法，可以应用于如图1所示的应用环境中。其中，终端101通过网络与服务器102进行通信。服务器102用于运行深度变分自编码器模型，并利用该模型对待处理图表集合进行特征学习以及图表重构。终端101用于接收用户的操作指令并向服务器发出指令。终端101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种图表样式自动化调整方法，以该方法应用于图1中的服务器102为例进行说明，包括以下步骤：
步骤S201，获取待处理图表集合。
其中，图表是指数据可视化图表，例如走势图、散点图、折线图等，在实际应用中，图表可以是电网仿真数据生成的图表，其中包括电压、电流等物理量的直观展示，还可以是交通状态数据生成的图表，或是利用数据采集工具获取网络上公开的数据集图像。在本申请中，上述待处理图表集合必须包含同种可视化形式的图表数据，也就是说必须满足独立同分布，即待处理图表集合中的图表必须是同一种图表，例如都为电网仿真数据生成的图表，且各个图表之间都是相互独立的，互不影响。
具体地，服务器102从数据仓库中获取待处理图表集合。
可选地，上述待处理图表集合可以是针对原始图表集合进行数据清洗后得到的。数据清洗是根据预定义的规则，并采用程序批处理的半自动化方法实现，目的是保证图表数据集中的图表大小相同、维度对应、可视化映射一致。
步骤S202，利用预先构建的深度变分自编码器模型对待处理图表集合进行因子提取，得到待处理图表集合的低维因子表征分布。
其中，深度变分自编码器模型（Deep Variational auto-encoder，VAE）是一类重要的生成模型（generative model），它于2013年由Diederik P.Kingma和Max Welling提出，本质上就是一种概率分布变换，通过对原始样本均值和方差的统计量计算，我们可以将数据编码成潜在空间的正态分布，然后对正态分布进行随机采样，将采样的结果进行解码结构，最后生成目标图像。因子提取，是指提取图表中的样式细节，例如位置、形状和像素颜色深浅等特征点，并将大量图表的特征进行编码，最终生成各个因子的概率分布，也即低维因子表征分布。
具体地，通过预先构建的深度变分自编码器模型对上述待处理图表集合进行因子提取，统计各个因子的均值和方差，生成各个因子的低维因子表征分布。深度变分自编码器模型中包含潜变量空间，潜变量是指不能被直接精确观测或虽能被观测但尚需通过其它方法加以综合的指标，是在记录单元之间变化且其变化影响记录特征的任何未记录到的特征，深度变分自编码器模型不仅仅能够学习到待处理图表集合中的可明显观察到的特征例如颜色、形状，还包括不能直接观察到的特征，并能将所有特征使用数学语言描述，例如在本申请中使用各个因子的概率分布进行描述。深度变分自编码器模型对大量图表进行特征提取，能够实现数据的降维处理，将原始图表的特征表达为潜变量空间上的特征概率分布，实现图表特征的降维处理。因此上述深度变分自编码器模型将待处理图表集合的特征分布转换为潜变量空间上的特征分布，即低维因子表征分布。
步骤S203，响应于对待处理图表集合中的指定图表的调整指令，基于低维因子表征分布，利用预先构建的深度变分自编码器模型对指定图表进行因子表征调整，得到相应的重构图表。
具体地，用户如果需要原始图表进行样式调整，可通过终端101向服务器102发出调整指令，实现图表样式自动化调整。其中，调整指令可以是对待处理图表集合中的一个或多个图表进行调整，当用户发出调整指令后，服务器102响应于该调整指令，根据该调整指令，并在上述潜变量空间中根据上述低维因子表征分布进行重新采样，并将采样值进行解码重构，生成新的图表，即上述重构图表。
上述实施例，通过获取待处理图表集合；利用预先构建的深度变分自编码器模型对待处理图表集合进行因子提取，得到待处理图表集合的低维因子表征分布；响应于对待处理集合图表中的指定图表的调整指令，基于低维因子表征分布，利用预先构建的深度变分自编码器模型对指定图表进行因子表征调整，得到相应的重构图表。本实施例能够在无需对大量训练样本事先标注的情况下自动学习并提取训练样本中的特征，生成与特征因子对应的概率分布，并能根据用户的需求实现对图表的样式自动化调整，例如对图表的像素颜色、数值范围、编号和排序的统一调整，无需用户按照传统方法重新统计数据并操作各种属性得到新图表，本实施例能够进一步提高工作、生产和学习效率。
在一实施例中，上述步骤S201之前，还包括：获取可视化图表训练样本，以及深度变分自编码器模型骨架；利用可视化图表训练样本对深度变分自编码器模型骨架进行训练，得到预先构建的深度变分自编码器模型。
其中，可视化图表训练样本是指事先通过数据收集工具获取的图表样本，这些样本无需事先标注，但样本必须满足独立同分布的特性。深度变分自编码模型骨架可采用全卷积神经网络、稠密卷积神经网络或者残差神经网络进行构建，深度变分自编码模型骨架包含编码器和解码器，编码器用于对输入的图表进行因子提取，并在潜变量空间上生成各个因子的低维因子表征分布，解码器用于根据上述低维因子表征分布进行随机采样，并根据采样值进行解码重构，生成新的图表。
具体地，服务器使用可视化图表训练样本对深度变分自编码器模型骨架进行训练，深度变分自编码器模型骨架对上述可视化图表训练样本进行无监督学习，根据预设的潜变量空间的维度和事先假定的潜变量空间的因子先验分布进行计算，使得生成的重构图表概率分布与可视化图表训练样本的原始概率分布趋于一致，得到了训练好的深度变分自编码器模型，即为上述预先构建的深度变分自编码器模型。
可选地，上述获取可视化图表训练样本之后，还包括：利用线性变换方法基于所述可视化图表训练样本构建增广样本；基于维度和因子先验分布，利用增广样本对预先构建的深度变分自编码器模型骨架进行训练，以使最优运输损失最小化，得到训练好的深度变分自编码器模型；其中，最优运输损失最小化，是指增广数据在潜变量空间上预测分布与最有运输路径计算出的分布近似。
具体地，服务器在数据的输入空间采用线性变换的方法构造增广样本，然后在潜变量空间采用最优运输损失使用增广样本上对上述深度变分自编码器模型骨架进行训练；利用线性变换方法基于所述可视化图表训练样本构建增广样本，包括：对于所述可视化图表训练样本中的任意两个可视化图表，利用线性变换公式对所述任意两个可视化图表进行计算，得到线性所述增广样本；其中，所述线性变换公式为：
Figure 554684DEST_PATH_IMAGE002
其中，λ为从[0,1]区间均匀分布上采样得到的线性增广参数，
Figure 2983DEST_PATH_IMAGE004
为增广样本，
Figure 189245DEST_PATH_IMAGE006
与
Figure 115612DEST_PATH_IMAGE008
为所述可视化图表训练样本中的任意两个可视化图表样本。利用输入空间的线性变换与潜变量空间的最优运输路径相对应这一特征，认为深度变分自编码器对于增广样本
Figure 829185DEST_PATH_IMAGE004
的潜变量分布预测应当与最优运输路径计算出的分布相符，从而构造损失函数。根据最优运输路径计算出的分布为
Figure 182806DEST_PATH_IMAGE010
，
Figure 856364DEST_PATH_IMAGE012
，其中
Figure 586422DEST_PATH_IMAGE014
为增广样本
Figure 661826DEST_PATH_IMAGE004
对应的分布的均值，
Figure 186348DEST_PATH_IMAGE016
为增广样本
Figure 347202DEST_PATH_IMAGE004
对应的分布的标准差，
Figure 84214DEST_PATH_IMAGE018
分别为
Figure 43817DEST_PATH_IMAGE020
对应的原始分布的均值，
Figure 4820DEST_PATH_IMAGE022
分别为
Figure 652970DEST_PATH_IMAGE020
对应的原始分布的标准差，最优运输损失函数为
Figure 928094DEST_PATH_IMAGE024
，其中
Figure 102723DEST_PATH_IMAGE026
表示增广样本
Figure 844414DEST_PATH_IMAGE004
的因子z所服从的概率分布。采用上述深度学习优化器，并结合最优运输损失对模型进行参数更新。
上述实施例，构建增广样本进行模型训练，提供了更丰富的训练样本，并利用最优运输损失训练模型，减少欠拟合，有利于增加模型泛化能力，得到有价值的特征因子。
进一步地，上述实施例，通过使用可视化图表训练样本对深度变分自编码器模型骨架进行训练，得到预先构建的深度变分自编码器模型，为后续利用预先构建的深度变分自编码器模型进行图表自动化调整提供运行基础。
在一实施例中，上述调整指令包括因子调整指令，上述步骤S203包括：响应于因子调整指令，利用预先构建的深度变分自编码器模型将指定图表中相应的原始因子采样值进行调整，得到调整后的目标因子采样值；根据目标因子采样值，根据低维因子表征分布生成与指定图表对应的重构图表。
其中，因子调整指令是指对某一图表中的因子进行调整的指令，由于因子是生成图表的要素，通过直接调整因子的值，用户可以调整图表中的样式细节，例如某一元素的位置、形状和颜色深浅等。
具体地，对于指定图表X，上述预先构建的深度变分自编码器模型能够通过因子提取，得到该图表的因子分布p服从于正态分布，即
Figure 104494DEST_PATH_IMAGE028
其中，
Figure 589833DEST_PATH_IMAGE030
表示指定图表X的因子z的概率分布，
Figure 618969DEST_PATH_IMAGE032
为均值为μ，方差为
Figure 295676DEST_PATH_IMAGE034
的正态分布。故可以通过调整因子z的采样值
Figure 777473DEST_PATH_IMAGE036
，直接修改任意
Figure 66503DEST_PATH_IMAGE038
的值，来实现因子表征的调整。
具体地，服务器102接收上述因子调整指令后，首先在潜变量空间中根据该因子的低维因子表征分布进行随机采样，得到原始因子采样值，再根据用户需求将其中的采样值进行调整，得到目标因子采样值，最后根据地位因子表征分布，将目标因子采样值映射回原来的指令图表，得到重构图表，实现对指定因子的调整。
上述实施例，通过对图表的指定因子的调整指令，实现对图表某一类特征的自动化调整，进一步解放双手，提高办公效率。
在一实施例中，上述调整指令包括因子插值指令，上述步骤S203包括：响应于因子插值指令，针对至少两幅图表的原始因子表征分布的分布参数进行插值运算，得到目标因子表征分布；利用预先构建的深度变分自编码器模型根据目标因子表征分布生成重构图表。
具体地，对于任意两个图表
Figure 950145DEST_PATH_IMAGE040
，其对应的因子所服从的分布为
Figure 299218DEST_PATH_IMAGE042
，利用插值参数
Figure 268311DEST_PATH_IMAGE044
，通过以下插值运算，得到目标因子表征分布
Figure 95453DEST_PATH_IMAGE046
：
Figure 99181DEST_PATH_IMAGE048
利用上述预先构建的深度变分自编码器模型根据上述目标因子表征分布
Figure DEST_PATH_IMAGE049
进行随机采样，并利用采样值生成重构图表。
上述实施例，通过插值运算，能够对两个图表进行合成，结合两个图表中想要的期望特征生成新的图表，进一步提高了图表自动化水平。
在一实施例中，上述调整指令包括因子算数加操作指令，上述步骤S203包括：响应于因子算数加操作指令，分别针对多幅图表的期望和方差进行求和运算，得到期望总和以及方差总和；基于期望总和以及方差总和，确定目标因子表征分布；利用预先构建的深度变分自编码器模型根据目标因子表征分布生成重构图表。
具体地，给定一组图表
Figure DEST_PATH_IMAGE051
，算数加运算参数
Figure DEST_PATH_IMAGE053
，和各个图表的原始因子分布
Figure DEST_PATH_IMAGE055
，通过以下公式计算运算结果：
Figure DEST_PATH_IMAGE057
，从而得到了求和后的目标因子分布
Figure 524215DEST_PATH_IMAGE059
，利用预先构建的深度变分自动编码器中的编码器部分和解码器部分，可以由目标因子分布
Figure 855970DEST_PATH_IMAGE060
生成一个新的图表。
上述实施例，通过求和运算，能够将多个图表中的数据求和，自动得到新的图表，进一步提高了工作效率。
在一实施例中，上述调整指令包括因子算数减操作指令，上述步骤S203包括：响应于因子算数减操作指令，分别针对多幅图表的期望和方差进行差分运算，得到目标期望和目标方差；基于目标期望和目标方差，确定目标因子表征分布；利用预先构建的深度变分自编码器模型根据目标因子表征分布生成重构图表。
具体地，给定一对图表
Figure 611437DEST_PATH_IMAGE062
，其对应的因子分布
Figure 583853DEST_PATH_IMAGE064
，和算数减运算参数
Figure 399362DEST_PATH_IMAGE066
，我们通过以下公式计算运算结果
Figure DEST_PATH_IMAGE068
从而我们得到了差分后的目标因子分布
Figure DEST_PATH_IMAGE070
，利用预先构建的深度变分自动编码器中的编码器部分和解码器部分，可以由因子分布
Figure DEST_PATH_IMAGE071
生成一个新的图表。
上述实施例，通过差分运算，能够将多个图表中的数据进行差分运算结合，自动得到新的图表，不需要统计数据后重新编辑图表，进一步提高了工作效率。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种图表样式自动化调整装置300，包括：图表获取模块301、低维因子表征分布计算模块302和图表调整模块303，其中：
图表获取模块301，用于获取待处理图表集合；
低维因子表征分布计算模块302，用于利用预先构建的深度变分自编码器模型对所述待处理图表集合进行因子提取，得到所述待处理图表集合的低维因子表征分布；
图表调整模块303，用于响应于对所述待处理图表集合中的指定图表的调整指令，基于所述低维因子表征分布，利用所述预先构建的深度变分自编码器模型对所述指定图表进行因子表征调整，得到相应的重构图表。
在一实施例中，还包括模型训练单元，用于：获取可视化图表训练样本，以及深度变分自编码器模型骨架；利用所述可视化图表训练样本对所述深度变分自编码器模型骨架进行训练，得到所述预先构建的深度变分自编码器模型。
在一实施例中，所述调整指令包括因子调整指令，图表调整模块303，进一步用于：响应于所述因子调整指令，利用所述预先构建的深度变分自编码器模型将所述指定图表中相应的原始因子采样值进行调整，得到调整后的目标因子采样值；根据所述目标因子采样值，根据所述低维因子表征分布生成与所述指定图表对应的所述重构图表。
在一实施例中，所述调整指令包括因子插值指令，图表调整模块303，进一步用于：响应于所述因子插值指令，针对所述至少两幅图表的原始因子表征分布的分布参数进行插值运算，得到目标因子表征分布；利用所述预先构建的深度变分自编码器模型根据所述目标因子表征分布生成所述重构图表。
在一实施例中，所述调整指令包括因子算数加操作指令，图表调整模块303，进一步用于：响应于所述因子算数加操作指令，分别针对所述多幅图表的期望和方差进行求和运算，得到期望总和以及方差总和；基于所述期望总和所述方差总和，确定目标因子表征分布；利用所述预先构建的深度变分自编码器模型根据所述目标因子表征分布生成所述重构图表。
在一实施例中，所述调整指令包括因子算数减操作指令，图表调整模块303，进一步用于：响应于所述因子算数减操作指令，分别针对所述多幅图表的期望和方差进行差分运算，得到目标期望和目标方差；基于所述目标期望和所述目标方差，确定目标因子表征分布；利用所述预先构建的深度变分自编码器模型根据所述目标因子表征分布生成所述重构图表。
在一实施例中，所述待处理图表集合是针对原始图表集合进行数据清洗后得到的。
关于图表样式自动化调整装置的具体限定可以参见上文中对于图表样式自动化调整方法的限定，在此不再赘述。上述图表样式自动化调整装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图表数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图表样式自动化调整方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种图表样式自动化调整方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4-5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述图表样式自动化调整方法实施例中的各步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述图表样式自动化调整方法实施例中的各步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图表样式自动化调整方法，其特征在于，所述方法包括：
获取待处理图表集合；
利用预先构建的深度变分自编码器模型对所述待处理图表集合进行因子提取，得到所述待处理图表集合的低维因子表征分布；
响应于对所述待处理图表集合中的指定图表的调整指令，基于所述低维因子表征分布，利用所述预先构建的深度变分自编码器模型对所述指定图表进行因子表征调整，得到相应的重构图表。
2.根据权利要求1所述的方法，其特征在于，所述获取待处理图表集合之前，所述方法还包括：
获取可视化图表训练样本，以及深度变分自编码器模型骨架；
利用所述可视化图表训练样本对所述深度变分自编码器模型骨架进行训练，得到所述预先构建的深度变分自编码器模型。
3.根据权利要求1所述的方法，其特征在于，所述调整指令包括因子调整指令；所述响应于对所述待处理图表集合中的指定图表的调整指令，基于所述低维因子表征分布，利用所述预先构建的深度变分自编码器模型对所述指定图表进行因子表征调整，得到相应的重构图表，包括：
响应于所述因子调整指令，利用所述预先构建的深度变分自编码器模型将所述指定图表中相应的原始因子采样值进行调整，得到调整后的目标因子采样值；
根据所述目标因子采样值，根据所述低维因子表征分布生成与所述指定图表对应的所述重构图表。
4.根据权利要求1所述的方法，其特征在于，所述调整指令包括因子插值指令，所述指定图表包含至少两幅图表；所述响应于对所述待处理图表集合中的指定图表的调整指令，基于所述低维因子表征分布，利用所述预先构建的深度变分自编码器模型对所述指定图表进行因子表征调整，得到相应的重构图表，包括：
响应于所述因子插值指令，针对所述至少两幅图表的原始因子表征分布的分布参数进行插值运算，得到目标因子表征分布；
利用所述预先构建的深度变分自编码器模型根据所述目标因子表征分布生成所述重构图表。
5.根据权利要求1所述的方法，其特征在于，所述调整指令包括因子算数加操作指令，所述指定图表包含多幅图表；所述响应于对所述待处理图表集合中的指定图表的调整指令，基于所述低维因子表征分布，利用所述预先构建的深度变分自编码器模型对所述指定图表进行因子表征调整，得到相应的重构图表，包括：
响应于所述因子算数加操作指令，分别针对所述多幅图表的期望和方差进行求和运算，得到期望总和以及方差总和；
基于所述期望总和以及所述方差总和，确定目标因子表征分布；
利用所述预先构建的深度变分自编码器模型根据所述目标因子表征分布生成所述重构图表。
6.根据权利要求1所述的方法，其特征在于，所述调整指令包括因子算数减操作指令，所述指定图表包含两幅图表；所述响应于对所述待处理图表集合中的指定图表的调整指令，基于所述低维因子表征分布，利用所述预先构建的深度变分自编码器模型对所述指定图表进行因子表征调整，得到相应的重构图表，包括：
响应于所述因子算数减操作指令，分别针对多幅所述图表的期望和方差进行差分运算，得到目标期望和目标方差；
基于所述目标期望和所述目标方差，确定目标因子表征分布；
利用所述预先构建的深度变分自编码器模型根据所述目标因子表征分布生成所述重构图表。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述待处理图表集合是针对原始图表集合进行数据清洗后得到的。
8.一种图表样式自动化调整装置，其特征在于，所述装置包括：
图表获取模块，用于获取待处理图表集合；
低维因子表征分布计算模块，用于利用预先构建的深度变分自编码器模型对所述待处理图表集合进行因子提取，得到所述待处理图表集合的低维因子表征分布；
图表调整模块，用于响应于对所述待处理图表集合中的指定图表的调整指令，基于所述低维因子表征分布，利用所述预先构建的深度变分自编码器模型对所述指定图表进行因子表征调整，得到相应的重构图表。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111019386.7A 2021-09-01 2021-09-01 图表样式自动化调整方法、装置、计算机设备和存储介质 Active CN113467881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111019386.7A CN113467881B (zh) 2021-09-01 2021-09-01 图表样式自动化调整方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111019386.7A CN113467881B (zh) 2021-09-01 2021-09-01 图表样式自动化调整方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113467881A CN113467881A (zh) 2021-10-01
CN113467881B true CN113467881B (zh) 2021-11-16

Family

ID=77867122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111019386.7A Active CN113467881B (zh) 2021-09-01 2021-09-01 图表样式自动化调整方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113467881B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642716A (zh) * 2021-08-31 2021-11-12 南方电网数字电网研究院有限公司 深度变分自编码器模型训练方法、装置、设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446495A (zh) * 2018-10-30 2019-03-08 众格智能科技（上海）有限公司 一种在电子表格中实现物料表自动整理的方法
US10373055B1 (en) * 2016-05-20 2019-08-06 Deepmind Technologies Limited Training variational autoencoders to generate disentangled latent factors
CN111966998A (zh) * 2020-07-23 2020-11-20 华南理工大学 基于变分自动编码器的口令生成方法、系统、介质和设备
CN112070121A (zh) * 2020-08-12 2020-12-11 国网黑龙江省电力有限公司哈尔滨供电公司 一种基于变分自编码器的智能电表数据填补方法
WO2020260016A1 (de) * 2019-06-28 2020-12-30 Robert Bosch Gmbh Verfahren und vorrichtung zum trainieren eines maschinellen lernsystems
CN112417289A (zh) * 2020-11-29 2021-02-26 中国科学院电子学研究所苏州研究院 一种基于深度聚类的资讯信息智能推荐方法
CN112446199A (zh) * 2019-08-14 2021-03-05 中国电力科学研究院有限公司 一种基于可视化模板的报表生成方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10373055B1 (en) * 2016-05-20 2019-08-06 Deepmind Technologies Limited Training variational autoencoders to generate disentangled latent factors
CN109446495A (zh) * 2018-10-30 2019-03-08 众格智能科技（上海）有限公司 一种在电子表格中实现物料表自动整理的方法
WO2020260016A1 (de) * 2019-06-28 2020-12-30 Robert Bosch Gmbh Verfahren und vorrichtung zum trainieren eines maschinellen lernsystems
CN112446199A (zh) * 2019-08-14 2021-03-05 中国电力科学研究院有限公司 一种基于可视化模板的报表生成方法
CN111966998A (zh) * 2020-07-23 2020-11-20 华南理工大学 基于变分自动编码器的口令生成方法、系统、介质和设备
CN112070121A (zh) * 2020-08-12 2020-12-11 国网黑龙江省电力有限公司哈尔滨供电公司 一种基于变分自编码器的智能电表数据填补方法
CN112417289A (zh) * 2020-11-29 2021-02-26 中国科学院电子学研究所苏州研究院 一种基于深度聚类的资讯信息智能推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于高斯混合模型的变分自动编码器";李鹏;《中国优秀硕士学位论文全文数据库信息科技辑》;20180215(第2期);全文 *
"面向用户生成数据的深度语义表征技术与应用";吕广奕;《中国优秀博士学位论文全文数据库信息科技辑》;20190815(第8期);全文 *

Also Published As

Publication number Publication date
CN113467881A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
US20210279642A1 (en) Mixed-initiative machine learning systems and methods for determining segmentations
CN107358247B (zh) 一种确定流失用户的方法及装置
JP2015167041A (ja) 機械学習モデル設計支援装置、機械学習モデル設計支援方法、機械学習モデル設計支援装置用プログラム
JP2019507398A (ja) 時間因子を融合させる協調フィルタリング方法、装置、サーバおよび記憶媒体
Cai et al. Improving sampling-based image matting with cooperative coevolution differential evolution algorithm
CN113467881B (zh) 图表样式自动化调整方法、装置、计算机设备和存储介质
CN115131803A (zh) 文档字号的识别方法、装置、计算机设备和存储介质
CN110955809B (zh) 一种支持拓扑结构保持的高维数据可视化方法
CN115953330B (zh) 虚拟场景图像的纹理优化方法、装置、设备和存储介质
CN113298896A (zh) 图片生成方法、装置、电子设备以及存储介质
Liu et al. Robust dense correspondence using deep convolutional features
CN114299204B (zh) 三维动漫人物模型生成方法及装置
CN114065359A (zh) 一种装修设计生成方法、装置、电子设备及存储介质
CN115631849B (zh) 基于深度神经网络的乳腺癌预后指示系统、存储介质及设备
CN113496222A (zh) 基于无标签图表数据的模式识别方法、装置和计算机设备
CN112860910B (zh) 基于关系旋转和实体旋转的知识图谱嵌入方法和装置
Li et al. Incremental transfer learning for spatial autoregressive model with linear constraints
CN117745337A (zh) 产品生成方法、装置、计算机设备和存储介质
CN116468531A (zh) 账户信息处理方法、装置、计算机设备和存储介质
CN116127183A (zh) 业务推荐方法、装置、计算机设备和存储介质
CN116663951A (zh) 用户留存数据分析模型构建以及分析方法、装置和设备
CN117390490A (zh) 用电信用报告的生成方法、装置、设备、存储介质和产品
CN113450429A (zh) 轨迹绘制方法及装置
Li et al. Variation analysis for custom manufacturing processes
CN117612192A (zh) 电子图纸信息识别方法、系统、电子设备、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