CN113687830B - 可视化界面生成方法、系统及计算机存储介质 - Google Patents
可视化界面生成方法、系统及计算机存储介质 Download PDFInfo
- Publication number
- CN113687830B CN113687830B CN202111237380.7A CN202111237380A CN113687830B CN 113687830 B CN113687830 B CN 113687830B CN 202111237380 A CN202111237380 A CN 202111237380A CN 113687830 B CN113687830 B CN 113687830B
- Authority
- CN
- China
- Prior art keywords
- component
- visual interface
- color matching
- information
- visual
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/38—Creation or generation of source code for implementing user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种可视化界面生成方法、系统及计算机存储介质,该方法包括以下步骤:获取用户可视化界面的关键需求信息;基于所述可视化界面的关键需求信息,利用对抗神经网络,生成可视化组件;基于所述可视化组件,生成可视化界面;本发明解决了可视化界面开发成本高以及门槛高的问题,降低了符合企业工业背景的数据可视化界面开发的成本与门槛,缩短了企业信息数据可视化的开发时间。
Description
技术领域
本发明涉及数据可视化领域,尤其涉及一种可视化界面生成方法、系统及计算机存储介质。
背景技术
随着工业互联网和智能制造的推进以及普及,工业正式进入4.0时代,在智能制造领域,数据可视化展示成为越来越多企业信息化发展的重要环节。但是,不同的工业企业在数据可视化方面的着重点有着不一样的需求。在目前的智能制造企业中,数据可视化界面生成的方法大致可分为两种:1、模版方式生成;2、通过预先设定好的模式并结合部分人工参与的方式生成。
上述两种生成数据可视化界面的方式存在一定的专业性,普通用户或普通从业人员很难独立使用,往往需要计算机相关专业人员的参与。
发明内容
有鉴于此,本申请实施例提供一种可视化界面生成方法、系统及计算机存储介质,旨在解决可视化界面开发成本高以及门槛高的问题。
本申请实施例提供了一种可视化界面生成方法,所述方法包括:
获取用户可视化界面的关键需求信息;
基于所述可视化界面的关键需求信息,利用对抗神经网络,生成可视化组件;
基于所述可视化组件,生成可视化界面。
在一实施例中,所述基于所述可视化界面的关键需求信息,利用对抗神经网络,生成可视化组件,包括:
基于所述可视化界面的关键需求信息,利用对抗神经网络中的生成器,生成待选择配色;
将所述待选择配色输入对抗神经网络中的判断器,判断所述待选择配色是否符合所述可视化界面的关键需求信息;
若所述待选择配色符合所述可视化界面的关键需求信息,则确定待选择配色为用户所需配色;
基于所述可视化界面的关键需求信息,利用对抗神经网络中的判断器,在组件库中选定所需组件,对所述所需组件利用所述用户所需配色进行辅助优化,生成优化配色组件;
基于所述用户所需配色以及所述优化配色组件,生成所述可视化组件。
在一实施例中,所述基于所述可视化界面的关键需求信息,利用对抗神经网络中的判断器,在组件库中选定所需组件,包括:
获取所述组件库中每个组件对应的组件图像以及所述组件的文本描述信息,并构建所述组件图像与所述组件的文本描述信息的对应关系;
将所述组件图像与所述组件的文本描述信息的对应关系输入所述对抗神经网络中的判断器进行训练;
将所述可视化界面的关键需求信息输入训练后的所述对抗神经网络中的判断器,输出符合所述可视化界面的关键需求信息的组件图像,并基于所述组件图像选定所述所需组件。
在一实施例中,所述构建所述组件图像与所述组件的文本描述信息的对应关系,包括:
构建每个组件图像与所述组件的文本描述信息的对应关系、每个组件图像与除本身组件外其他组件的文本描述信息的对应关系以及每个组件的文本描述信息与除本身组件外其他组件的组件图像的对应关系。
在一实施例中,所述将所述待选择配色输入对抗神经网络中的判断器,判断所述待选择配色是否符合所述可视化界面的关键需求信息的步骤之后,还包括:
若所述待选择配色不符合所述可视化界面的关键需求信息,则重新生成待选择配色,直至所述待选择配色符合所述可视化界面的关键需求信息。
在一实施例中,所述获取用户可视化界面的关键需求信息,包括:
获取用户的需求文本信息;
提取所述需求文本信息中的关键词,并将所述关键词作为所述关键需求信息。
在一实施例中,所述提取所述需求文本信息中的关键词,包括:
将所述需求文本信息进行分词处理,获得分词结果;
将所述分词结果一一转化为对应的词向量;
对所述词向量进行聚类操作,生成多个簇,计算获得簇内的中心词作为所述关键词。
在一实施例中,所述基于所述可视化组件,生成可视化界面的步骤之后,包括:
构建所述可视化界面与服务器端的通信端口。
为实现上述目的,还提供一种可视化界面生成系统,所述系统,包括:
数据获取模块,用于获取用户可视化界面的关键需求信息;
可视化组件生成模块,用于基于所述可视化界面的关键需求信息,利用对抗神经网络,生成可视化组件;
可视化界面生成模块,用于基于所述可视化组件,生成可视化界面。
为实现上述目的,还提供一种计算机存储介质,所述计算机存储介质上存储有可视化界面生成方法程序,所述可视化界面生成方法程序被处理器执行时实现上述任一所述的可视化界面生成方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:获取用户可视化界面的关键需求信息;通过获取用户的关键需求信息,使生成的可视化界面更加符合用户需求,提高用户满意度。
基于所述可视化界面的关键需求信息,利用对抗神经网络,生成可视化组件;通过利用对抗神经网络,使生成的可视化组件更加符合用户需求。
基于所述可视化组件,生成可视化界面。通过将生成的可视化组件组合,生成可视化界面,使可视化界面更加的美观,同时,自动生成可视化界面降低了符合企业工业背景的数据可视化界面开发的成本与门槛,缩短了企业信息数据可视化的开发时间。
附图说明
图1为本申请可视化界面生成方法的第一实施例的流程示意图;
图2为本申请可视化界面生成方法第一实施例中步骤S120的具体实施步骤的流程示意图;
图3为本申请可视化界面生成方法中步骤S125的具体实施步骤的流程示意图;
图4为本申请可视化界面生成方法第一实施例中步骤S110的具体实施步骤的流程示意图;
图5为本申请可视化界面生成方法中步骤S112的具体实施步骤的流程示意图;
图6为本申请可视化界面生成方法的第二实施例的流程示意图;
图7为本申请可视化界面生成系统的示意图;
图8为本申请可视化界面生成设备的示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:获取用户可视化界面的关键需求信息;基于所述可视化界面的关键需求信息,利用对抗神经网络,生成可视化组件;基于所述可视化组件,生成可视化界面;本发明解决了可视化界面开发成本以及门槛高的问题,降低了符合企业工业背景的数据可视化界面开发的成本与门槛,缩短了企业信息数据可视化的时间。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照图1,图1为本申请可视化界面生成方法的第一实施例,所述方法包括:
步骤S110:获取用户可视化界面的关键需求信息。
具体地,关键需求信息是用户对于可视化界面的背景风格、配色或者界面的描述性数据中的关键信息。
步骤S120:基于所述可视化界面的关键需求信息,利用对抗神经网络,生成可视化组件。
具体地,对抗神经网络(GAN)技术本质上就是一个生成模型,主要由生成器与判断器两大部分组成,它的机理是“双手互搏,一心两用”,所以,最初的应用场景只是针对图像相关的任务,但其机理是普适性的,因此,此项技术现在广泛的应用与图像处理、计算机视觉、自然语言处理技术、语音识别、智能驾驶、安全监控等相关领域;其中,生成器负责生成合理的样本,判别器负责判断生成的样本合理与否。在训练过程中,生成器的目标是生成出越来越好的样本去使得判别器失效,而判别器则是要提升自己的判断能力使的不被骗。
步骤S130:基于所述可视化组件,生成可视化界面。
具体地,将步骤S120生成的符合可视化界面的关键需求信息的多个可视化组件结合,最终生成一张完整的符合可视化界面的关键需求信息的可视化界面,同时符合用户对于企业工业背景数据可视化的需求。
在上述实施例中,存在的有益效果为:获取用户可视化界面的关键需求信息;通过获取用户的关键需求信息,使生成的可视化界面更加符合用户需求,提高用户满意度。
基于所述可视化界面的关键需求信息,利用对抗神经网络,生成可视化组件;通过利用对抗神经网络,使生成的可视化组件更加符合用户需求。
基于所述可视化组件,生成可视化界面。通过将生成的可视化组件组合,生成可视化界面,使可视化界面更加的美观,同时,自动生成可视化界面降低了符合企业工业背景的数据可视化界面开发的成本与门槛,缩短了企业信息数据可视化的开发时间。
参照图2,图2为本申请可视化界面生成方法第一实施例中步骤S120的具体实施步骤,所述基于所述可视化界面的关键需求信息,利用对抗神经网络,生成可视化组件,包括:
步骤S121:基于所述可视化界面的关键需求信息,利用对抗神经网络中的生成器,生成待选择配色。
具体地,对可视化界面的关键需求信息进行解析,获得配色相关分类的配色信息,将所述配色信息输入对抗神经网络中的生成器,生成待选择配色;其中所述待选择配色可以是可视化界面的背景色调或者是可视化组件的色调。在此并不作限定。
步骤S122:将所述待选择配色输入对抗神经网络中的判断器,判断所述待选择配色是否符合所述可视化界面的关键需求信息。
具体地,将生成器生成的待选择配色输入到判断器中,判断待选择配色是否符合所述可视化界面的关键需求信息。其中,判断待选择配色是否符合可视化界面的关键需求信息,具体地可以将待选择配色以及每个关键需求信息进行向量化,生成待选择配色向量以及关键需求信息向量;计算待选择配色向量与每个关键需求信息向量之间的距离,根据所述距离对待选择配色是否符合可视化界面的关键需求信息进行判断。
步骤S123:若所述待选择配色不符合所述可视化界面的关键需求信息,则重新生成待选择配色,直至所述待选择配色符合所述可视化界面的关键需求信息。
具体地,将待选择配色以及每个关键需求信息进行向量化,生成待选择配色向量以及关键需求信息向量;计算待选择配色向量与每个关键需求信息向量之间的距离,若所述距离大于或者等于预设距离阈值,则认为不符合可视化界面的关键需求信息,则重新生成待选择配色,重新计算待选择配色向量与每个关键需求信息向量之间的距离,直至所述距离小于预设距离阈值,则认为待选择配色符合可视化界面的关键需求信息。其中,所述预设距离阈值在此并不作限定,可以根据用户需求进行调整。
步骤S124:若所述待选择配色符合所述可视化界面的关键需求信息,则确定待选择配色为用户所需配色。
具体地,将待选择配色以及每个关键需求信息进行向量化,生成待选择配色向量以及关键需求信息向量;计算待选择配色向量与每个关键需求信息向量之间的距离,若所述距离小于预设距离阈值,则认为符合可视化界面的关键需求信息,则将所述待选择配色作为用户所需配色;其中,用户所需配色为符合用户需求的配色。
具体地,利用对抗神经网络的生成器以及对抗器之间的对抗学习,使得获得的用户所需配色更加符合用户要求,从而使利用用户所需配色生成的可视化组件更加的符合企业背景要求。
步骤S125:基于所述可视化界面的关键需求信息,利用对抗神经网络中的判断器,在组件库中选定所需组件,对所述所需组件利用所述用户所需配色进行辅助优化,生成优化配色组件。
具体地,所述组件库中至少包括:用于展示的三维车间模拟图、三维矿山模拟图、设备三维全息立体图、交通全息立体分布图等;常用图表类型:柱形图(直方图)、折线图、饼图、条形图、雷达图等,近年来比较酷炫的图表有词云、漏斗图、数据地图、瀑布图、玫瑰图等;用于展示表单的描述数据,该描述数据主要用于确定表单的展示格式。
步骤S126:基于所述用户所需配色以及所述优化配色组件,生成所述可视化组件。
具体地,结合对抗神经网络的生成器与判断器对抗生成的用户所需配色以及对抗神经网络的判断器生成的优化配色组件,生成符合用户需求的可视化组件,其中优化配色组件是基于用户所需配色进行辅助优化的。
在本实施例中,可视化组件可以是多个,根据多个可视化组件生成完整的符合用户需求的可视化界面。
在上述实施例中,存在的有益效果为:通过利用对抗网络的生成器以及判断器之间的对抗学习,使生成的用户所需配色更加符合企业背景风格,且使生成的可视化组件更加符合用户需求,整个生成过程通过对抗网络自动生成,从而降低了可视化界面的开发成本以及开发时间。
参照图3,图3为本申请可视化界面生成方法中步骤S125的具体实施步骤,所述基于所述可视化界面的关键需求信息,利用对抗神经网络中的判断器,在组件库中选定所需组件,包括:
步骤S1251:获取所述组件库中每个组件对应的组件图像以及所述组件的文本描述信息,并构建所述组件图像与所述组件的文本描述信息的对应关系。
具体地,在一实施例中,所述构建所述组件图像与所述组件的文本描述信息的对应关系,包括:
构建每个组件图像与所述组件的文本描述信息的对应关系、每个组件图像与除本身组件外其他组件的文本描述信息的对应关系以及每个组件的文本描述信息与除本身组件外其他组件的组件图像的对应关系。
具体地,在本实施例中,对抗神经网络模型具体为GAN-CLS,其对应的训练数据为<假图,描述>,<真图,描述>以及<真图,不匹配描述>。其中<真图,描述>对应的是每个组件图像与所述组件的文本描述信息的对应关系;<真图,不匹配描述>对应的是每个组件图像与除本身组件外其他组件的文本描述信息的对应关系;而<假图,描述>对应的是每个组件的文本描述信息与除本身组件外其他组件的组件图像的对应关系。
具体地,通过上述的训练数据,使得对抗神经网络的判断器拥有判断文本描述信息与组件图像是否匹配的能力。
步骤S1252:将所述组件图像与所述组件的文本描述信息的对应关系输入所述对抗神经网络中的判断器进行训练。
步骤S1253:将所述可视化界面的关键需求信息输入训练后的所述对抗神经网络中的判断器,输出符合所述可视化界面的关键需求信息的组件图像,并基于所述组件图像选定所述所需组件。
具体地,当训练后的对抗神经网络的判断器拥有判断文本描述信息与组件图像是否匹配的能力,将可视化界面的关键需求信息输入训练后的对抗神经网络的判断器,则会输出符合可视化界面的关键需求信息的组件图像,从而利用组件图像,确定所需组件。
在上述实施例中,存在的有益效果为:通过构建所述组件图像与所述组件的文本描述信息的对应关系来训练对抗神经网络的判断器,使判断器可以拥有判断文本描述信息与组件图像是否匹配的能力,从而使选定所需组件依靠对抗神经网络自动完成,减少可视化界面的开发成本,降低可视化界面的开发门槛。
参照图4,图4为本申请可视化界面生成方法第一实施例中步骤S110的具体实施步骤,所述获取用户可视化界面的关键需求信息,包括:
步骤S111:获取用户的需求文本信息。
具体地,需求文本信息可以是通过文本语言或者语音语言获得;其中,用户可以通过外接的文本输入装置直接输入文本,或者是通过外接语音输入装备输入语音,再利用语言转文本的技术及工具,进行语音到文本的转换。
步骤S112:提取所述需求文本信息中的关键词,并将所述关键词作为所述关键需求信息。
具体地,可以利用自然语言处理中关键词提取方法,比如,TF/IDF算法、TextRank算法、主题模型算法等,在此并不作限定。其中,提取所述需求文本信息中的关键词可以是“三维矿山”、“科技蓝”、“XX地方交通三维地图”、“玫瑰图”等。
在上述实施例中,存在的有益效果为:通过准确提取需求文本信息中的关键词,提高可视化组件以及可视化界面生成的准确度,使得可视化组件以及可视化界面更加准确的符合用户需求。
参照图5,图5为本申请可视化界面生成方法中步骤S112的具体实施步骤,所述提取所述需求文本信息中的关键词,包括:
步骤S1121:将所述需求文本信息进行分词处理,获得分词结果。
中文分词(Chinese Word Segmentation)指的是将一个汉字序列切分成一个个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。分词的基本方法包括基于词典的方法、基于理解的分词方法和基于统计的分词方法、基于深度学习的分词方法以及基于理解的分词方法等。其中,基于词典的方法包括正向最大匹配法、逆向最大匹配法。基于统计的分词方法包括:N-最短路径方法、基于词的n元语法模型的分词方法、由字构词的汉语分词方法、基于词感知机算法的汉语分词方法、基于字的生成式模型和区分式模型相结合的汉语分词方法;其中主要的统计模型有:N元文法模型(N-gram),隐马尔可夫模型(Hidden Markov Model ,HMM),最大熵模型(ME),条件随机场模型(ConditionalRandom Fields,CRF)等。基于深度学习的分词方法主要有LSTM+CRF、BiLSTM+CRF等。基于理解的分词方法是通过让计算机模拟人对句子的理解,达到识别词的效果。其基本思想就是在分词的同时进行句法、语义分析,利用句法信息和语义信息来处理歧义现象。
具体地,可以利用jieba分词工具对需求文本信息进行分词处理,
步骤S1122:将所述分词结果一一转化为对应的词向量。
具体地,可以通过word2vec技术,将分词结果向量化。
步骤S1123:对所述词向量进行聚类操作,生成多个簇,计算获得簇内的中心词作为所述关键词。
具体地,可以利用k-means聚类算法将词向量进行聚类,使词向量生成多个簇,通过计算簇内每个词向量之间的距离,获得每个词向量与其他词向量的距离和,获得距离和最小值对应的词向量作为簇内中心词,将该簇内中心词作为关键词。
在上述实施例中,存在的有益效果为:通过准确的分词以及向量化的关键词提取,保证关键词提取的正确性,从而保证生成的可视化组件以及可视化界面更加符合用户需求。
参照图6,图6为本申请可视化界面生成方法的第二实施例,所述基于所述可视化组件,生成可视化界面的步骤之后,包括:
步骤S210:获取用户可视化界面的关键需求信息。
步骤S220:基于所述可视化界面的关键需求信息,利用对抗神经网络,生成可视化组件。
步骤S230:基于所述可视化组件,生成可视化界面。
步骤S240:构建所述可视化界面与服务器端的通信端口。
具体地,按照组件库里的代码同步生成服务器端的通信端口,方便后端程序员接入后台数据,使得用户使用更加的方便。
第二实施例与第一实施例相比,包括步骤S240,其他步骤在第一实施例中已经进行了阐述,在此不再赘述。
在上述实施例中,存在的有益效果为:通过建立可视化界面与服务器端的通信端口,使得程序员更加方便的接入后台数据,进一步降低可视化界面的开发成本。
本申请还保护一种可视化界面生成系统20,所述系统20,包括:
数据获取模块21,用于获取用户可视化界面的关键需求信息;
可视化组件生成模块22,用于基于所述可视化界面的关键需求信息,利用对抗神经网络,生成可视化组件;
可视化界面生成模块23,用于基于所述可视化组件,生成可视化界面。
图7所示系统包括数据获取模块21、可视化组件生成模块22、可视化界面生成模块23,该系统可以执行图1至图6所示实施例的方法,本实施例未详细描述的部分,可参考对图1至图6所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1至图6所示实施例中的描述,在此不再赘述。
本申请还保护一种计算机存储介质,所述计算机存储介质上存储有可视化界面生成方法程序,所述可视化界面生成方法程序被处理器执行时实现上述任一所述的可视化界面生成方法的步骤。
本申请涉及一种可视化界面生成设备10包括如图8所示:至少一个处理器12、存储器11。
处理器12可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器12中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器12可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器11,处理器12读取存储器11中的信息,结合其硬件完成上述方法的步骤。
可以理解,本发明实施例中的存储器11可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ReadOnly Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的 RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器 (Synch link DRAM,SLDRAM) 和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本发明实施例描述的系统和方法的存储器11旨在包括但不限于这些和任意其它适合类型的存储器。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种可视化界面生成方法,其特征在于,所述方法包括:
获取用户可视化界面的关键需求信息;
基于所述可视化界面的关键需求信息,利用对抗神经网络中的生成器,生成待选择配色;
将所述待选择配色输入对抗神经网络中的判断器,判断所述待选择配色是否符合所述可视化界面的关键需求信息;
若所述待选择配色符合所述可视化界面的关键需求信息,则确定待选择配色为用户所需配色;
基于所述可视化界面的关键需求信息,利用对抗神经网络中的判断器,在组件库中选定所需组件,对所述所需组件利用所述用户所需配色进行辅助优化,生成优化配色组件;
基于所述用户所需配色以及所述优化配色组件,生成所述可视化组件;
基于所述可视化组件,生成可视化界面;
其中,所述判断所述待选择配色是否符合所述可视化界面的关键需求信息的步骤包括:
将所述待选择配色以及每个所述关键需求信息进行向量化,生成待选择配色向量以及关键需求信息向量;
计算所述待选择配色向量与每个所述关键需求信息向量之间的距离,根据所述距离判断所述待选择配色是否符合可视化界面的关键需求信息。
2.如权利要求1所述的可视化界面生成方法,其特征在于,所述基于所述可视化界面的关键需求信息,利用对抗神经网络中的判断器,在组件库中选定所需组件,包括:
获取所述组件库中每个组件对应的组件图像以及所述组件的文本描述信息,并构建所述组件图像与所述组件的文本描述信息的对应关系;
将所述组件图像与所述组件的文本描述信息的对应关系输入所述对抗神经网络中的判断器进行训练;
将所述可视化界面的关键需求信息输入训练后的所述对抗神经网络中的判断器,输出符合所述可视化界面的关键需求信息的组件图像,并基于所述组件图像选定所述所需组件。
3.如权利要求2所述的可视化界面生成方法,其特征在于,所述构建所述组件图像与所述组件的文本描述信息的对应关系,包括:
构建每个组件图像与所述组件的文本描述信息的对应关系、每个组件图像与除本身组件外其他组件的文本描述信息的对应关系以及每个组件的文本描述信息与除本身组件外其他组件的组件图像的对应关系。
4.如权利要求1所述的可视化界面生成方法,其特征在于,所述将所述待选择配色输入对抗神经网络中的判断器,判断所述待选择配色是否符合所述可视化界面的关键需求信息的步骤之后,还包括:
若所述待选择配色不符合所述可视化界面的关键需求信息,则重新生成待选择配色,直至所述待选择配色符合所述可视化界面的关键需求信息。
5.如权利要求1所述的可视化界面生成方法,其特征在于,所述获取用户可视化界面的关键需求信息,包括:
获取用户的需求文本信息;
提取所述需求文本信息中的关键词,并将所述关键词作为所述关键需求信息。
6.如权利要求5所述的可视化界面生成方法,其特征在于,所述提取所述需求文本信息中的关键词,包括:
将所述需求文本信息进行分词处理,获得分词结果;
将所述分词结果一一转化为对应的词向量;
对所述词向量进行聚类操作,生成多个簇,计算获得簇内的中心词作为所述关键词。
7.如权利要求1所述的可视化界面生成方法,其特征在于,所述基于所述可视化组件,生成可视化界面的步骤之后,包括:
构建所述可视化界面与服务器端的通信端口。
8.一种可视化界面生成系统,其特征在于,所述系统,包括:
数据获取模块,用于获取用户可视化界面的关键需求信息;
可视化组件生成模块,用于基于所述可视化界面的关键需求信息,利用对抗神经网络,生成可视化组件;
可视化界面生成模块,用于基于所述可视化组件,生成可视化界面;
其中,所述可视化组件生成模块,还用于:
基于所述可视化界面的关键需求信息,利用对抗神经网络中的生成器,生成待选择配色;
将所述待选择配色输入对抗神经网络中的判断器,判断所述待选择配色是否符合所述可视化界面的关键需求信息;
若所述待选择配色符合所述可视化界面的关键需求信息,则确定待选择配色为用户所需配色;
基于所述可视化界面的关键需求信息,利用对抗神经网络中的判断器,在组件库中选定所需组件,对所述所需组件利用所述用户所需配色进行辅助优化,生成优化配色组件;
基于所述用户所需配色以及所述优化配色组件,生成所述可视化组件;
其中,所述判断所述待选择配色是否符合所述可视化界面的关键需求信息的步骤包括:
将所述待选择配色以及每个所述关键需求信息进行向量化,生成待选择配色向量以及关键需求信息向量;
计算所述待选择配色向量与每个所述关键需求信息向量之间的距离,根据所述距离判断所述待选择配色是否符合可视化界面的关键需求信息。
9.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有可视化界面生成方法程序,所述可视化界面生成方法程序被处理器执行时实现权利要求1-7任一所述的可视化界面生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111237380.7A CN113687830B (zh) | 2021-10-25 | 2021-10-25 | 可视化界面生成方法、系统及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111237380.7A CN113687830B (zh) | 2021-10-25 | 2021-10-25 | 可视化界面生成方法、系统及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113687830A CN113687830A (zh) | 2021-11-23 |
CN113687830B true CN113687830B (zh) | 2022-02-15 |
Family
ID=78587739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111237380.7A Active CN113687830B (zh) | 2021-10-25 | 2021-10-25 | 可视化界面生成方法、系统及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113687830B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116107574B (zh) * | 2023-04-12 | 2023-06-13 | 南京数睿数据科技有限公司 | 应用界面自动构建方法、装置、电子设备和可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109408058A (zh) * | 2018-10-31 | 2019-03-01 | 北京影谱科技股份有限公司 | 基于机器学习的前端辅助开发方法和装置 |
US10678521B1 (en) * | 2018-12-05 | 2020-06-09 | Bank Of America Corporation | System for image segmentation, transformation and user interface component construction |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7899777B2 (en) * | 2007-09-27 | 2011-03-01 | Rockwell Automation Technologies, Inc. | Web-based visualization mash-ups for industrial automation |
US11061650B2 (en) * | 2019-06-27 | 2021-07-13 | Intel Corporation | Methods and apparatus to automatically generate code for graphical user interfaces |
CN112328250B (zh) * | 2020-11-17 | 2024-04-05 | 中国平安财产保险股份有限公司 | 用户界面的生成方法、装置、计算机设备及存储介质 |
CN112506510B (zh) * | 2020-12-15 | 2024-06-04 | 科大讯飞股份有限公司 | 系统皮肤生成方法、装置、设备及存储介质 |
CN112685033A (zh) * | 2020-12-24 | 2021-04-20 | 北京浪潮数据技术有限公司 | 用户界面组件自动生成方法、装置及计算机可读存储介质 |
CN112835579A (zh) * | 2021-02-04 | 2021-05-25 | 北京百度网讯科技有限公司 | 确定界面代码的方法、装置、电子设备和存储介质 |
-
2021
- 2021-10-25 CN CN202111237380.7A patent/CN113687830B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109408058A (zh) * | 2018-10-31 | 2019-03-01 | 北京影谱科技股份有限公司 | 基于机器学习的前端辅助开发方法和装置 |
US10678521B1 (en) * | 2018-12-05 | 2020-06-09 | Bank Of America Corporation | System for image segmentation, transformation and user interface component construction |
Also Published As
Publication number | Publication date |
---|---|
CN113687830A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191078B (zh) | 基于视频信息处理模型的视频信息处理方法及装置 | |
CN110795543B (zh) | 基于深度学习的非结构化数据抽取方法、装置及存储介质 | |
US10332507B2 (en) | Method and device for waking up via speech based on artificial intelligence | |
CN111368049B (zh) | 信息获取方法、装置、电子设备及计算机可读存储介质 | |
CN110334179B (zh) | 问答处理方法、装置、计算机设备和存储介质 | |
JP2017091525A (ja) | 視覚質問応答用の注目に基づく設定可能な畳み込みニューラルネットワーク(abc−cnn)のシステム及び方法 | |
CN110851641B (zh) | 跨模态检索方法、装置和可读存储介质 | |
CN109961068A (zh) | 图像识别、训练、搜索方法和装置及设备、介质 | |
CN113298151A (zh) | 一种基于多级特征融合的遥感图像语义描述方法 | |
CN113836303A (zh) | 一种文本类别识别方法、装置、计算机设备及介质 | |
CN113687830B (zh) | 可视化界面生成方法、系统及计算机存储介质 | |
CN115168590A (zh) | 文本特征提取方法、模型训练方法、装置、设备及介质 | |
CN111368066A (zh) | 获取对话摘要的方法、装置和计算机可读存储介质 | |
CN113378852A (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
CN112632956A (zh) | 文本匹配方法、装置、终端和存储介质 | |
CN112685544A (zh) | 电信信息的查询方法、装置、设备和介质 | |
CN112597299A (zh) | 文本的实体分类方法、装置、终端设备和存储介质 | |
CN117252947A (zh) | 图像处理方法、装置、计算机、存储介质及程序产品 | |
CN117315249A (zh) | 指代图像分割模型训练和分割方法、系统、设备及介质 | |
US20230130662A1 (en) | Method and apparatus for analyzing multimodal data | |
CN113610080B (zh) | 基于跨模态感知的敏感图像识别方法、装置、设备及介质 | |
CN113673237A (zh) | 模型训练、意图识别方法、装置、电子设备及存储介质 | |
CN108021918B (zh) | 文字识别方法及装置 | |
CN112530406A (zh) | 一种语音合成方法、语音合成装置及智能设备 | |
CN111382301A (zh) | 一种基于生成对抗网络的三维模型生成方法及系统 |
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 |