CN114003787A - 基于人工智能的数据可视化方法及相关设备 - Google Patents

基于人工智能的数据可视化方法及相关设备 Download PDF

Info

Publication number
CN114003787A
CN114003787A CN202111280440.3A CN202111280440A CN114003787A CN 114003787 A CN114003787 A CN 114003787A CN 202111280440 A CN202111280440 A CN 202111280440A CN 114003787 A CN114003787 A CN 114003787A
Authority
CN
China
Prior art keywords
data
screening
resource data
resource
preset
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.)
Pending
Application number
CN202111280440.3A
Other languages
English (en)
Inventor
周冰为
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.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China 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 Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202111280440.3A priority Critical patent/CN114003787A/zh
Publication of CN114003787A publication Critical patent/CN114003787A/zh
Pending legal-status Critical Current

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提出一种基于人工智能的数据可视化方法、装置、电子设备及存储介质，基于人工智能的数据可视化方法包括：获取第一资源数据；依据筛选条件筛选所述第一资源数据以获取第二资源数据，所述筛选条件包括数值筛选及文字筛选；通过将所述第二资源数据和预设的筛选条件进行匹配以对所述第二资源数据进行分类，从而获取分类数据；映射所述分类数据至图像灰度区间以获取映射数据；变换所述映射数据至频域以去噪并获取第三资源数据；依据预设的可视化配置模型匹配所述第三资源数据和预设的图表模板以获取视图。该方法可有效降低因符合预设规则而无法去除的噪声数据的干扰，提高获取的数据的准确性。

Description

基于人工智能的数据可视化方法及相关设备
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于人工智能的数据可视化方法、装置、电子设备及存储介质。
背景技术
数据一般呈现出杂乱无序的状态，对数据进行可视化时，一般采用数据可视化工具通过预设的筛选规则(例如：关键词)筛选数据，然后对筛选后的数据进行可视化，进而实现数据的直观呈现。
然而，数据中存在符合预设的筛选规则的噪声数据(数据中存在错误或异常的数据)，从而使筛选后的数据中含有较多的噪声数据，导致可视化呈现所依据的数据不准确。
发明内容
鉴于以上内容，有必要提供一种基于人工智能的数据可视化方法及相关设备，以解决如何提高数据可视化的准确度这一技术问题，其中，相关设备包括基于人工智能的数据可视化装置、电子设备及存储介质。
本申请实施例提供一种基于人工智能的数据可视化方法，包括：
获取第一资源数据；
依据筛选条件筛选所述第一资源数据以获取第二资源数据，所述筛选条件包括数值筛选及文字筛选；
通过将所述第二资源数据和预设的筛选条件进行匹配以对所述第二资源数据进行分类，从而获取分类数据；
映射所述分类数据至图像灰度区间以获取映射数据；
变换所述映射数据至频域以去噪并获取第三资源数据；
依据预设的可视化配置模型匹配所述第三资源数据和预设的图表模板以获取视图。
上述数据可视化方法中，通过对数据与预设的筛选条件进行匹配以获取分类数据，将分类数据映射至图像灰度区间后再变换至频域进行噪声滤除。如此，可有效去除带有符合预设规则的噪声数据，提高数据可视化所获取的数据的准确性。
在一些实施例中，所述依据筛选条件筛选所述第一资源数据以获取第二资源数据，所述筛选条件包括数值筛选及文字筛选包括：
依据所述第一资源数据生成选择框；
基于所述选择框生成筛选条件；
依据所述筛选条件筛选所述第一资源数据以获取所述第二资源数据。
如此，通过生成选择框可与用户进行实时交互，提高对第二资源数据的获取效率和准确度。
在一些实施例中，所述通过将所述第二资源数据和预设的筛选条件进行匹配以分类第二资源数据，从而获取分类数据包括：
计算所述第二资源数据中各数据与所述筛选条件之间的文本相似值；
基于所述文本相似值划分所述第二资源数据以获取所述分类数据。
如此，第二资源数据采用计算得到的文本相似值为依据进行划分，能够使得划分的方法更加直观且划分效率高，以此便于针对每一类数据进行后续的噪声数据筛选过程。
在一些实施例中，所述变换所述映射数据至频域以去噪并获取第三资源数据包括：
变换所述映射数据至频域以获取频域基础数据；
依据所述频域基础数据筛选所述第二资源数据以获取去噪文本数据；
基于所述文本相似值筛选所述去噪文本数据以获取所述第三资源数据。
如此，通过将映射数据变换至频域进行噪声滤除可保留绝大部分有效数据，将占比较少的噪声数据作为高频信息进行滤除，有效避免数据的冗余，降低因符合预设规则而无法去除的噪声数据的干扰，提高获取的数据源的准确性。
在一些实施例中，所述基于所述文本相似值筛选所述去噪文本数据以获取所述第三资源数据满足关系式：
Mi＝Ni·pi
其中，Mi表示第i类数据的实际选取量，Ni表示第i类数据的总数量，pi表示第i类数据与预设的筛选条件之间的文本相似值。
如此，基于预设的筛选条件与对应类别数据的相似性来获取最终选取的数据量，可以选择更多准确度更高的数据，减少准确度不高的数据获取量，使结果更加准确可靠。
在一些实施例中，所述依据所述频域基础数据筛选所述第二资源数据以获取去噪文本数据包括：
由小到大排列所述频域基础数据以获取频域结果集；
滤除所述频域结果集中排名前预设阈值所对应的第二资源数据；
保留剩余的所述第二资源数据作为所述去噪文本数据。
如此，可根据频域基础数据的不同，灵活滤除对应频域基础数据中的噪声数据，其中，若滤除范围过大，易在滤除噪声数据的同时滤除部分的非噪声数据，降低后续获取到的第三资源数据的准确性，若滤除范围过小，则难以有效滤除绝大部分的噪声数据，同样会降低后续获取到的第三资源数据的准确性。
在一些实施例中，所述依据预设的可视化配置模型匹配所述第三资源数据和预设的图表模板以获取视图包括：
训练神经网络以建立可视化配置模型；
基于所述可视化配置模型生成自定义参数；
基于所述自定义参数匹配所述第三资源数据和预设的图表模板以获取所述视图。
如此，通过建立可视化配置模型为用户匹配获取视图，无需用户定义过多参数，只需将核心的要求进行设置，系统便会将对应的多种视图类型的最佳模板推荐出来供客户选择，可以有效降低使用者的操作难度，简化可视化流程，提高对数据进行可视化的效率，同时使呈现的视图更加准确。
本申请实施例还提供一种基于人工智能的数据可视化装置，包括：
获取单元，用于从建立的初始数据库中获取第一资源数据；
筛选单元，用于依据筛选条件筛选所述第一资源数据以获取第二资源数据，所述筛选条件包括数值筛选及文字筛选；
分类单元，用于通过将所述第二资源数据和预设的筛选条件进行匹配以分类第二资源数据，从而获取分类数据；
映射单元，用于映射所述分类数据至图像灰度区间以获取映射数据；
去噪单元，用于变换所述映射数据至频域以去噪并获取第三资源数据；
配置单元，用于依据预设的可视化配置模型匹配所述第三资源数据和预设的图表模板以获取视图。
本申请实施例还提供一种电子设备，包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的数据可视化方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的数据可视化方法。
附图说明
图1是本申请所涉及的基于人工智能的数据可视化方法的较佳实施例的流程图。
图2是本申请所涉及的依据筛选条件筛选第一资源数据以获取第二资源数据的较佳实施例的流程图。
图3是本申请所涉及的变换映射数据至频域以去噪并获取第三资源数据的较佳实施例的流程图。
图4是本申请所涉及的依据预设的可视化配置模型匹配第三资源数据和预设的图表模板以获取视图的较佳实施例的流程图。
图5是本申请所涉及的基于人工智能的数据可视化装置的较佳实施例的功能模块图。
图6是本申请所涉及的基于人工智能的数据可视化方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请，所述描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供一种基于人工智能的数据可视化方法，可应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
如图1所示，是本申请基于人工智能的数据可视化方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S10，获取第一资源数据。
在一个可选的实施例中，获取第一资源数据包括：
S101，整合多种数据库以建立初始数据库。
该可选的实施例中，数据库包括mysql、oracle、sqlserver、sqlite、postgreSQL等多种当前市面上常用数据库，并支持CSV文件上传。
该可选的实施例中，由于获取的数据信息来源多且结构不同，因此可根据数据所属业务系统、类型、结构、长度等打上统一规范的标记，用于标识数据的来源、种类等属性。
同时，因为数据通常保持着原始数据特性，所以在本实施例中，还可以通过数据变换技术提升数据质量，从而提高数据挖掘或数据流挖掘的精度及性能。数据变换主要通过数据泛化、数据规范化、数据属性构造等操作进一步提升数据质量，提高数据挖掘或数据流挖掘的精度和性能。所述数据泛化是指使用概念分层，用高层次概念替换低层次原始数据，将数据库中的原始数据泛化成用户感兴趣的概念层次上的、聚合的、具有统计意义的元数据。
S102，读取初始数据库以获取第一资源数据。
该可选的实施例中，可使用Mondrian多维分析引擎从初始数据库中读取数据并把数据聚集在内存缓存中，同时用多维的方式对结果进行展示。
该可选的实施例中，Mondrian多维分析引擎可以从SQL和其它数据源读取数据并把数据聚集在内存缓存中，然后用多维的方式对结果进行展示，同时可以不写SQL就能分析存储于SQL数据库的庞大数据集，并且可以封装数据源并把数据以多维的方式展现出来。
该可选的实施例中，可通过读取初始数据库中所有的表名以及表字段来创建缓存对象，然后将初始数据库中的数据存储至缓存对象中，最后将从初始数据库中存储至缓存对象中的数据作为第一资源数据，所述第一资源数据可以以多维的方式展现出来。
如此，通过整合多种数据库，可有效提高可视化平台的泛化能力，提高第一资源数据获取便捷性，提高后续数据匹配筛选过程的效率且提高数据的准确性。
S11，依据筛选条件筛选第一资源数据以获取第二资源数据，所述筛选条件包括数值筛选及文字筛选。
请参见图2，在一个可选的实施例中，依据筛选条件筛选第一资源数据以获取第二资源数据，所述筛选条件包括数值筛选及文字筛选包括：
S111，依据第一资源数据生成选择框。
该可选的实施例中，根据第一资源数据中存储的表名以及表字段生成选择框。
S112，基于选择框生成筛选条件。
该可选的实施例中，可通过可视化界面接受用户输入的筛选条件，筛选条件包括数值筛选及文字筛选，数值筛选可以是预设噪声集范围，文字筛选可以是预设文字或预设语句。示例性的，用户在选择框中输入“销售额”，即可依据“销售额”在第一资源数据中进行匹配筛选。
S113，依据筛选条件筛选第一资源数据以获取第二资源数据。
在一个可选的实施例中，可使用智能搜索引擎依据筛选条件筛选第一资源数据以获取第二资源数据。智能搜索是结合了人工智能技术的新一代搜索引擎。他除了能提供传统的快速检索、相关度排序等功能，还能提供用户角色登记、用户兴趣自动识别、内容的语义理解、智能信息化过滤和推送等功能。智能搜索对查询条件的智能分析主要包括：
提取筛选条件中的有效成分，包括词汇和逻辑关系。
通过数据库来获取关键词的同义词、近义词及相关词。
该可选的实施例中，通过智能搜索可实现对第一资源数据的快速筛选，并将筛选到的数据作为第二资源数据。用户根据想要获取的内容，通过智能搜索引擎输入对应的筛选条件，智能搜索引擎则根据用户输入的筛选条件对第一资源数据进行筛选，保留第一资源数据中与筛选条件的关键词相关的同义词、近义词及相关词等数据，并将所有保留下来的数据作为第二资源数据，其中，所述第二资源数据的数据结构和所述第一资源数据的数据结构保持相同。
如此，根据筛选条件可对第一资源数据进行快速筛选，并将筛选到的数据作为第二资源数据，且通过生成选择框可与用户进行实时交互，有效提高对第二资源数据的获取效率和准确度。
S12，通过将第二资源数据和预设的筛选条件进行匹配以对所述第二资源数据进行分类，从而获取分类数据。
该可选的实施例中，将用户在智能搜索引擎中输入的筛选条件作为预设的筛选条件。
在一个可选的实施例中，通过将第二资源数据和预设的筛选条件进行匹配以对所述第二资源数据进行分类，从而获取分类数据包括：
S121，计算第二资源数据中各数据与筛选条件之间的文本相似值。
示例性的，设筛选条件为“苹果”，第二资源数据中的数据为：“苹果核”、“苹果树”、“红苹果”、“青苹果”、“苹果醋”，分别计算第二资源数据中各数据与筛选条件之间的文本相似值。
该可选的实施例中，可通过文本匹配模型计算预设的筛选条件与第二资源数据中各数据之间的相似性。文本匹配模型也可使用深度语义匹配模型(DSSM模型)、短文本匹配模型(ESIM模型)、基于递归联合注意力的句子匹配模型(DRCN模型)等。以DSSM模型为例，DSSM模型共分为三层结构，分别为输入层、表示层、匹配层，其中输入层将需要匹配的文本映射到低维向量空间以转化为向量提供给深度学习网络，表示层将低维向量空间中的向量统一输出为128维度的向量，匹配层则通过余弦函数计算需要匹配的文本所对应的两个向量的余弦相似度以作为需要匹配的文本之间的相似性。
示例性的，设第二资源数据中数据Q包含的内容为(foodis good)，筛选条件D包含的内容为(good)，DSSM模型的输入层分别对数据Q和筛选条件D进行切分，其中数据Q被切分为(go,goo,ood,od,is,fo,foo)，筛选条件D被切分为(go,goo,ood,od)，表示层则将被切分后向量维度不同的数据Q和筛选条件D统一为128维度的向量QT和DT，最后匹配层使用余弦函数计算向量QT和DT的余弦相似度，设cos(QT,DT)＝0.6，则最终第二资源数据中数据Q和筛选条件D之间的文本相似值即为0.6。
S122，基于文本相似值划分第二资源数据以获取分类数据。
该可选的实施例中，将第二资源数据中与筛选条件的文本相似值相同的数据归于一类，设最终共有N种不同的相似值，则第二资源数据共分为N类。
依据上述示例，设筛选条件为“苹果”，第二资源数据中的数据为(“苹果核”、“苹果树”、“红苹果”、“青苹果”、“苹果醋”)，分别计算第二资源中各数据与筛选条件之间的文本相似值，得到的对应结果为(0.3,0.5,0.6,0.6,0.3)，最终共得到三种文本相似值，分别为(0.3,0.5,0.6)，则据此将第二资源数据进行分类，得到(“苹果核”、“苹果醋”)、(“苹果树”)、(“红苹果”、“青苹果”)三种分类数据。
如此，通过对预设筛选条件与第二资源数据中各个数据之间的相似性进行计算并分类，可以在针对每一类数据进行后续的噪声数据筛选过程，使每一类中的噪声数据都得到滤除。
S13，映射分类数据至图像灰度区间以获取映射数据。
在一个可选的实施例中，将分类数据从二进制变换到十进制后再映射到图像灰度区间，图像灰度区间为[0～255]，映射数据是指将分类数据映射到图像灰度区间后所得到的数据。
如此，本申请将分类数据映射到图像灰度区间的原因在于所获取的分类数据为文本数据，而文本信息在计算机中通常是以机内码形式存储。其中汉字机内码，简称内码，指计算机内部存储，处理加工和传输汉字时所用的由0和1符号组成的代码。此时文本信息所对应的内码为杂乱无序的数字代码，无法有效获取文本信息中各文字的重要性，以至于无法识别文本信息中混杂的噪声，而将分类数据映射到图像灰度区间后，则可以从空域上直观的展现出文本信息中各文字之间的相关性和重要性，从而为后续步骤中进一步去除噪声数据提供可能。
S14，变换映射数据至频域以去噪并获取第三资源数据。
请参见图3，在一个可选的实施例中，变换映射数据至频域以去噪并获取第三资源数据包括：
S141，变换映射数据至频域以获取频域基础数据。
该可选的实施例中，可使用离散余弦变换将映射数据变换至频域，离散余弦变换主要用于对数据或图像进行压缩，能够将空域的信号变换到频域上，具有良好的去相关性的性能，经离散余弦变换后，有用数据的系数较大，主要集中在变换后系数矩阵的左上角，而噪声数据的系数很小且集中在系数矩阵的右下角。
S142，依据频域基础数据筛选第二资源数据以获取去噪文本数据。
该可选的实施例中，依据频域基础数据筛选第二资源数据以获取去噪文本数据包括：
由小到大排列频域基础数据以获取频域结果集；
滤除频域结果集中排名前预设阈值所对应的第二资源数据；
保留剩余的第二资源数据作为去噪文本数据。
该可选的实施例中，所述预设阈值可以为0.2％。
如此，可根据频域基础数据的不同，灵活设置合适的预设噪声集以对对应频域基础数据中的噪声数据进行滤除，其中，滤除范围若过大，易在滤除噪声数据的同时滤除部分的非噪声数据，降低后续获取到的第三资源数据的准确性，滤除范围若过小，则难以有效滤除绝大部分的噪声数据，同样会降低后续获取到的第三资源数据的准确性。
S143，基于文本相似值筛选去噪文本数据以获取第三资源数据。
该可选的实施例中，基于文本相似值筛选去噪文本数据以获取第三资源数据满足关系式：
Mi＝Ni·pi
其中，Mi表示第i类数据的实际选取量，Ni表示第i类数据的总数量，pi表示第i类数据与预设的筛选条件之间的文本相似值。
示例性的，设分类数据共有1、2、3三类，各类别数据所对应的总数据量分别为N1＝100,N2＝200,N3＝300，各类别数据与筛选条件之间的文本相似值分别为p1＝0.5,p2＝0.8,p3＝0.3，则三个类别所对应的实际数据选取量为M1＝100·0.5＝50,M2＝200·0.8＝160,M3＝300·0.3＝90。
该可选的实施例中，根据计算得到的各类别所对应的实际数据选取量，从相应类别中选取对应数量的数据，并将最后所有选取的数据作为第三资源数据。
如此，通过将映射数据变换至频域进行噪声滤除可保留绝大部分有效数据，将占比较少的噪声数据作为高频信息进行滤除，有效避免数据的冗余，降低因符合预设规则而无法去除的噪声数据的干扰，提高获取的数据源的准确性，同时基于关键词与对应类别数据的相似性来获取最终选取的数据量，可以选择更多准确度更高的数据，减少准确度不高的数据获取量，使结果更加准确可靠。
S15，依据预设的可视化配置模型匹配第三资源数据和预设的图表模板以获取视图。
请参见图4，在一个可选的实施例中，依据预设的可视化配置模型匹配第三资源数据和预设的图表模板以获取视图包括：
S151，训练神经网络以建立可视化配置模型。
该可选的实施例中，可视化配置模型可根据用户输入的参数信息匹配出对应的使用率较高的图表模板，所述的参数信息包括各类数据的属性信息及对应的数据维度、指标字段及计算方式。具体过程为：依据大数据获取当前使用率较高的各类图表模板及其所对应的数据属性信息，将各类数据的属性信息及对应的数据维度和指标字段以及计算方式作为深度神经网络模型的训练数据，将当前类型数据所对应的使用率较高的图表模板作为输出进行训练，神经网络的结构采用Encoder-Decoder的形式，由五个带ReLU激活函数的3×3卷积层构成，主要过程为先使用一个3×3卷积层对输入的数据维度和指标字段以及计算方式进行特征提取，然后再使用带有ReLU激活函数的卷积层对输入特征进行图表模板匹配，最后再使用一个卷积层将当前使用率较高的图表模板提取出来，并将训练好的神经网络模型作为可视化配置模型。
S152，基于可视化配置模型设置自定义参数。
该可选的实施例中，所述自定义参数包括数据的属性信息、数据维度、指标字段以及计算方式，示例性的，若需要某月销售额的可视化图表，可选择月份作为维度，当月每日销售额进行求和作为指标来设置可视化配置模型的自定义参数。
S153，基于自定义参数匹配第三资源数据和预设的图表模板以获取视图。
该可选的实施例中，可视化配置模型根据自定义参数生成对应的条形图、柱状图、折线图等多种风格以及类型的图表模板，用户只需选择需要的图表模板即可，其中将多种视图类型的使用率较高的图表模板作为预设的图标模板。
如此，可视化配置模型可根据用户输入的自定义参数为用户匹配出使用率较高的图标模板，无需用户定义过多参数，只需将核心的要求进行设置，系统便会将对应的多种视图类型的使用率较高的图表模板推荐出来供客户选择，可以有效降低使用者的操作难度，简化可视化流程，提高对数据进行可视化的效率，同时使呈现的视图更加准确。
上述基于人工智能的数据可视化方法通过对数据与筛选条件进行相似性分析以获取分类数据，将分类数据映射至图像灰度区间后再变换至频域进行噪声滤除。如此，可有效去除带有符合预设规则的噪声数据，降低因符合预设规则而无法去除的噪声数据的干扰，提高获取的数据的准确性。
如图5所示，是本申请实施例提供的基于人工智能的数据可视化装置的较佳实施例的功能模块图。基于人工智能的数据可视化装置11包括获取单元110、筛选单元111、分类单元112、映射单元113、去噪单元114、配制单元115。本申请所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
在一个可选的实施例中，获取单元110用于从建立的初始数据库中获取第一资源数据。
在本实施例中，数据库包括mysql、oracle、sqlserver、sqlite、postgreSQL等多种当前市面上常用数据库，并支持CSV文件上传。
该可选的实施例中，由于获取的数据信息来源多且结构不同，因此可根据数据所属业务系统、类型、结构、长度等打上统一规范的标记，用于标识数据的来源、种类等属性。
同时，因为数据通常保持着原始数据特性，所以在本实施例中，还可以通过数据变换技术提升数据质量，从而提高数据挖掘或数据流挖掘的精度及性能。数据变换主要通过数据泛化、数据规范化、数据属性构造等操作进一步提升数据质量，提高数据挖掘或数据流挖掘的精度和性能。所述数据泛化是指使用概念分层，用高层次概念替换低层次原始数据，将数据库中的原始数据泛化成用户感兴趣的概念层次上的、聚合的、具有统计意义的元数据。
该可选的实施例中，可使用Mondrian多维分析引擎从数据库中读取数据并把数据聚集在内存缓存中，同时用多维的方式对结果进行展示。
该可选的实施例中，Mondrian多维分析引擎可以从SQL和其它数据源读取数据并把数据聚集在内存缓存中，然后用多维的方式对结果进行展示，同时可以不写SQL就能分析存储于SQL数据库的庞大数据集，并且可以封装数据源并把数据以多维的方式展现出来。
该可选的实施例中，可通过读取初始数据库中所有的表名以及表字段来创建缓存对象，然后将初始数据库中的数据存储至缓存对象中，最后将从初始数据库中存储至缓存对象中的数据作为第一资源数据，所述第一资源数据可以以多维的方式展现出来。
在一个可选的实施例中，筛选单元111用于依据筛选条件筛选第一资源数据以获取第二资源数据，所述筛选条件包括数值筛选及文字筛选。
该可选的实施例中，可通过可视化界面接受用户输入的筛选条件，筛选条件包括数值筛选及文字筛选，数值筛选可以是预设噪声集范围，文字筛选可以是预设文字或预设语句。示例性的，用户在选择框中输入“销售额”，即可依据“销售额”在第一资源数据中进行匹配筛选。
在一个可选的实施例中，可使用智能搜索引擎依据筛选条件获取第二资源数据。智能搜索是结合了人工智能技术的新一代搜索引擎。他除了能提供传统的快速检索、相关度排序等功能，还能提供用户角色登记、用户兴趣自动识别、内容的语义理解、智能信息化过滤和推送等功能。智能搜索对查询条件的智能分析主要包括：
提取查询条件中的有效成分，包括词汇和逻辑关系。
通过数据库来获取关键词的同义词、近义词及相关词。
该可选的实施例中，通过智能搜索可实现对第一资源数据的快速筛选，并将筛选到的数据作为第二资源数据。用户根据想要获取的内容，通过智能搜索引擎输入对应的筛选条件，智能搜索引擎则根据用户输入的筛选条件对第一资源数据进行筛选，保留第一资源数据中与筛选条件的关键词相关的同义词、近义词及相关词等数据，并将所有保留下来的数据作为第二资源数据，其中，所述第二资源数据的数据结构和所述第一资源数据的数据结构保持相同。
在一个可选的实施例中，分类单元112用于通过将第二资源数据和预设的筛选条件进行匹配以分类第二资源数据，从而获取分类数据。
该可选的实施例中，将用户在智能搜索引擎中输入的筛选条件作为预设的筛选条件。
该可选的实施例中，通过文本匹配模型计算第二资源数据中各数据与筛选条件之间的文本相似值，并基于文本相似值对第二资源数据中各数据进行分类以获取分类数据，其中，将搜索结果中与关键词相似性相同的结果归于一类，相似性不同的结果作为新的一类，设最终共有N种不同的相似性值，则第二资源数据共分为N类。
示例性的，设筛选条件为“苹果”，第二资源数据中的数据为：“苹果核”、“苹果树”、“红苹果”、“青苹果”、“苹果醋”，分别计算第二资源中各数据与筛选条件之间的文本相似值。
该可选的实施例中，可通过文本匹配模型计算预设字段与第二资源数据之间的相似性。文本匹配模型也可使用深度语义匹配模型(DSSM模型)、短文本匹配模型(ESIM模型)、基于递归联合注意力的句子匹配模型(DRCN模型)等。以DSSM模型为例，DSSM模型共分为三层结构，分别为输入层、表示层、匹配层，其中输入层将需要匹配的文本映射到低维向量空间以转化为向量提供给深度学习网络，表示层将低维向量空间中的向量统一输出为128维度的向量，匹配层则通过余弦函数计算需要匹配的文本所对应的两个向量的余弦相似度以作为需要匹配的文本之间的相似性。
示例性的，设第二资源数据中数据Q包含的内容为(food is good)，筛选条件D包含的内容为(good)，DSSM模型的输入层分别对数据Q和筛选条件D进行切分，其中数据Q被切分为(go,goo,ood,od,is,fo,foo)，筛选条件D被切分为(go,goo,ood,od)，表示层则将被切分后向量维度不同的数据Q和筛选条件D统一为128维度的向量QT和DT，最后匹配层使用余弦函数计算向量QT和DT的余弦相似度，设cos(QT,DT)＝0.6，则最终第二资源数据中数据Q和筛选条件D之间的文本相似值即为0.6。
该可选的实施例中，将第二资源数据中与筛选条件的文本相似值相同的数据归于一类，设最终共有N种不同的相似值，则第二资源数据共分为N类。
依据上述示例，设筛选条件为“苹果”，第二资源中的数据为(“苹果核”、“苹果树”、“红苹果”、“青苹果”、“苹果醋”)，分别计算第二资源中各数据与筛选条件之间的文本相似值，得到的对应结果为(0.3,0.5,0.6,0.6,0.3)，最终共得到三种文本相似值，分别为(0.3,0.5,0.6)，则据此将第二资源数据进行分类，得到(“苹果核”、“苹果醋”)、(“苹果树”)、(“红苹果”、“青苹果”)三种分类数据。
在一个可选的实施例中，映射单元113用于映射分类数据至图像灰度区间以获取映射数据。
该可选的实施例中，将分类数据从二进制变换到十进制后再映射到图像灰度区间，图像灰度区间为[0～255]，映射数据是指将分类数据映射到图像灰度区间后所得到的数据。
在一个可选的实施例中，去噪单元114用于变换映射数据至频域以去噪并获取第三资源数据。
该可选的实施例中，变换映射数据至频域以去噪并获取第三资源数据包括：
变换映射数据至频域以获取频域基础数据；
依据频域基础数据筛选第二资源数据以获取去噪文本数据；
基于文本相似值筛选去噪文本数据以获取第三资源数据。
该可选的实施例中，可使用离散余弦变换将映射数据变换至频域，离散余弦变换主要用于将数据或图像的压缩，能够将空域的信号变换到频域上，具有良好的去相关性的性能，经离散余弦变换后，有用数据的系数较大，主要集中在变换后系数矩阵的左上角，而噪声数据的系数很小且集中在系数矩阵的右下角。
该可选的实施例中，依据频域基础数据筛选第二资源数据以获取去噪文本数据的过程为：由小到大排序频域基础数据以获取频域结果集，滤除频域结果集中排名前预设阈值所对应的第二资源数据，保留剩余的第二资源数据作为去噪文本数据，其中，预设阈值可以为0.2％。
该可选的实施例中，设分类数据共有N类，Ni表示第i类数据的总数量，pi表示第i类数据与预设的筛选条件之间的文本相似值，则最终第i类数据的实际选取量M为：
M＝Ni·pi
示例性的，设分类数据共有1、2、3三类，各类别数据所对应的总数据量分别为N1＝100,N2＝200,N3＝300，各类别数据与预设的筛选条件之间的文本相似值分别为p1＝0.5,p2＝0.8,p3＝0.3，则三个类别所对应的实际数据选取量为M1＝100·0.5＝50,M2＝200·0.8＝160,M3＝300·0.3＝90。
该可选的实施例中，根据计算得到的各类别所对应的实际数据选取量，从相应类别中选取对应数量的数据，并将最后所有选取的数据作为第三资源数据。
在一个可选的实施例中，配置单元115用于依据预设的可视化配置模型匹配第三资源数据和预设的图表模板以获取视图。
该可选的实施例中，可视化配置模型可根据用户输入的参数信息匹配出对应的使用率较高的图表模板，所述的参数信息包括各类数据的属性信息及对应的数据维度、指标字段及计算方式。具体过程为：依据大数据获取当前最受欢迎的各类图表模板及其所对应的数据属性信，将各类数据的属性信息及对应的数据维度和指标字段以及计算方式作为深度神经网络模型的训练数据，将当前类型数据所对应最受欢迎的图表模板作为输出进行训练，神经网络的结构采用Encoder-Decoder的形式，由五个带ReLU激活函数的3×3卷积层构成，主要过程为先使用一个3×3卷积层对输入的数据维度和指标字段以及计算方式进行特征提取，然后再使用带有ReLU激活函数的卷积层对输入特征进行图表模板匹配，最后再使用一个卷积层将当前使用率较高的图表模板提取出来，并将训练好的神经网络模型作为可视化配置模型。
该可选的实施例中，所述自定义参数包括数据的属性信息、数据维度、指标字段以及计算方式，示例性的，若需要某月销售额的可视化图表，可选择月份作为维度，当月每日销售额进行求和后作为指标来设置可视化配置模型的自定义参数。
该可选的实施例中，可视化配置模型根据的自定义参数生成对应的条形图、柱状图、折线图等多种风格以及类型的图表，用户只需选择需要的图表即可。
由以上技术方案可以看出，本申请通过对数据与筛选条件进行相似性分析以获取分类数据，将分类数据映射至图像灰度区间后再变换至频域进行噪声滤除。如此，可有效去除带有符合预设规则的噪声数据，降低因符合预设规则而无法去除的噪声数据的干扰，提高获取的数据的准确性。
如图6所示，是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行储器中存储的计算机可读指令以实现上述任一实施例的基于人工智能的数据可视化方法。
在一个可选的实施例中，电子设备1还包括总线、存储在存储器12中并可在处理器13上运行的计算机程序，例如基于人工智能的数据可视化程序。
图6仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图6示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，电子设备1中的存储器12存储多个计算机可读指令以实现一种基于人工智能的数据可视化方法，处理器13可执行多个指令从而实现：
获取第一资源数据；
依据筛选条件筛选第一资源数据以获取第二资源数据，所述筛选条件包括数值筛选及文字筛选；
通过将第二资源数据和预设的筛选条件进行匹配以对所述第二资源数据进行分类，从而获取分类数据；
映射分类数据至图像灰度区间以获取映射数据；
变换映射数据至频域以去噪并获取第三资源数据；
依据预设的可视化配置模型匹配第三资源数据和预设的图表模板以获取视图。
具体地，处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1既可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的数据可视化程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在存储器12内的程序或者模块(例如执行基于人工智能的数据可视化程序等)，以及调用存储在存储器12内的数据，以执行电子设备1的各种功能和处理数据。
处理器13执行电子设备1的操作系统以及安装的各类应用程序。处理器13执行所述应用程序以实现上述各个基于人工智能的数据可视化方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器12中，并由处理器13执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、筛选单元111、分类单元112、映射单元113、去噪单元114、配置单元115。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述基于人工智能的数据可视化方法的部分。
电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存储器及其他存储器等。
进一步地，计算机可读存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图6中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源变换器或者逆变器、电源状态指示器等任意组件。电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
本申请实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的数据可视化方法。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的数据可视化方法，其特征在于，包括：
获取第一资源数据；
依据筛选条件筛选所述第一资源数据以获取第二资源数据，所述筛选条件包括数值筛选及文字筛选；
通过将所述第二资源数据和预设的筛选条件进行匹配以对所述第二资源数据进行分类，从而获取分类数据；
映射所述分类数据至图像灰度区间以获取映射数据；
变换所述映射数据至频域以去噪并获取第三资源数据；
依据预设的可视化配置模型匹配所述第三资源数据和预设的图表模板以获取视图。
2.如权利要求1所述的基于人工智能的数据可视化方法，其特征在于，所述依据筛选条件筛选所述第一资源数据以获取第二资源数据，所述筛选条件包括数值筛选及文字筛选包括：
依据所述第一资源数据生成选择框；
基于所述选择框生成筛选条件；
依据所述筛选条件筛选所述第一资源数据以获取所述第二资源数据。
3.如权利要求1所述的基于人工智能的数据可视化方法，其特征在于，所述通过将所述第二资源数据和预设的筛选条件进行匹配以分类第二资源数据，从而获取分类数据包括：
计算所述第二资源数据中各数据与所述筛选条件之间的文本相似值；
基于所述文本相似值划分所述第二资源数据以获取所述分类数据。
4.如权利要求3所述的基于人工智能的数据可视化方法，其特征在于，所述变换所述映射数据至频域以去噪并获取第三资源数据包括：
变换所述映射数据至频域以获取频域基础数据；
依据所述频域基础数据筛选所述第二资源数据以获取去噪文本数据；
基于所述文本相似值筛选所述去噪文本数据以获取所述第三资源数据。
5.如权利要求4所述的基于人工智能的数据可视化方法，其特征在于，所述基于所述文本相似值筛选所述去噪文本数据以获取所述第三资源数据满足关系式：
Mi＝Ni·pi
其中，Mi表示第i类数据的实际选取量，Ni表示第i类数据的总数量，pi表示第i类数据与预设的筛选条件之间的文本相似值。
6.如权利要求4所述的基于人工智能的数据可视化方法，其特征在于，所述依据所述频域基础数据筛选所述第二资源数据以获取去噪文本数据包括：
由小到大排列所述频域基础数据以获取频域结果集；
滤除所述频域结果集中排名前预设阈值所对应的第二资源数据；
保留剩余的所述第二资源数据作为所述去噪文本数据。
7.如权利要求1所述的基于人工智能的数据可视化方法，其特征在于，所述依据预设的可视化配置模型匹配所述第三资源数据和预设的图表模板以获取视图包括：
训练神经网络以建立可视化配置模型；
基于所述可视化配置模型生成自定义参数；
基于所述自定义参数匹配所述第三资源数据和预设的图表模板以获取所述视图。
8.一种基于人工智能的数据可视化装置，其特征在于，包括：
获取单元，用于从建立的初始数据库中获取第一资源数据；
筛选单元，用于依据筛选条件筛选所述第一资源数据以获取第二资源数据，所述筛选条件包括数值筛选及文字筛选；
分类单元，用于通过将所述第二资源数据和预设的筛选条件进行匹配以分类第二资源数据，从而获取分类数据；
映射单元，用于映射所述分类数据至图像灰度区间以获取映射数据；
去噪单元，用于变换所述映射数据至频域以去噪并获取第三资源数据；
配置单元，用于依据预设的可视化配置模型匹配所述第三资源数据和预设的图表模板以获取视图。
9.一种电子设备，其特征在于，包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的基于人工智能的数据可视化方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于人工智能的数据可视化方法。
CN202111280440.3A 2021-10-29 2021-10-29 基于人工智能的数据可视化方法及相关设备 Pending CN114003787A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111280440.3A CN114003787A (zh) 2021-10-29 2021-10-29 基于人工智能的数据可视化方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111280440.3A CN114003787A (zh) 2021-10-29 2021-10-29 基于人工智能的数据可视化方法及相关设备

Publications (1)

Publication Number Publication Date
CN114003787A true CN114003787A (zh) 2022-02-01

Family

ID=79925832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111280440.3A Pending CN114003787A (zh) 2021-10-29 2021-10-29 基于人工智能的数据可视化方法及相关设备

Country Status (1)

Country Link
CN (1) CN114003787A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114971377A (zh) * 2022-06-16 2022-08-30 首钢京唐钢铁联合有限责任公司 一种基于可视化界面的钢卷能耗分析方法
WO2023173733A1 (zh) * 2022-03-14 2023-09-21 达而观信息科技（上海）有限公司 数据追踪方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023173733A1 (zh) * 2022-03-14 2023-09-21 达而观信息科技（上海）有限公司 数据追踪方法、装置、电子设备及存储介质
CN114971377A (zh) * 2022-06-16 2022-08-30 首钢京唐钢铁联合有限责任公司 一种基于可视化界面的钢卷能耗分析方法

Similar Documents

Publication Publication Date Title
US11232365B2 (en) Digital assistant platform
US20200050968A1 (en) Interactive interfaces for machine learning model evaluations
CA2953817C (en) Feature processing tradeoff management
US11361030B2 (en) Positive/negative facet identification in similar documents to search context
CN113836131B (zh) 一种大数据清洗方法、装置、计算机设备及存储介质
CN112541745A (zh) 用户行为数据分析方法、装置、电子设备及可读存储介质
CN112380859A (zh) 舆情信息的推荐方法、装置、电子设备及计算机存储介质
CN113449187A (zh) 基于双画像的产品推荐方法、装置、设备及存储介质
WO2022222943A1 (zh) 科室推荐方法、装置、电子设备及存储介质
CN114003787A (zh) 基于人工智能的数据可视化方法及相关设备
CN115146865A (zh) 基于人工智能的任务优化方法及相关设备
CN114840531B (zh) 基于血缘关系的数据模型重构方法、装置、设备及介质
CN112115152A (zh) 数据增量更新及查询方法、装置、电子设备及存储介质
CN112699142A (zh) 冷热数据处理方法、装置、电子设备及存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN114398557A (zh) 基于双画像的信息推荐方法、装置、电子设备及存储介质
CN113806492A (zh) 基于语义识别的记录生成方法、装置、设备及存储介质
CN115409041B (zh) 一种非结构化数据提取方法、装置、设备及存储介质
CN113888265A (zh) 产品推荐方法、装置、设备及计算机可读存储介质
CN114780688A (zh) 基于规则匹配的文本质检方法、装置、设备及存储介质
CN114881001A (zh) 基于人工智能的报表生成方法及相关设备
CN114840767A (zh) 基于人工智能的业务推荐方法及相关设备
CN114841165A (zh) 用户数据分析及展示方法、装置、电子设备及存储介质
CN113505117A (zh) 基于数据指标的数据质量评估方法、装置、设备及介质
CN112733537A (zh) 文本去重方法、装置、电子设备及计算机可读存储介质

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