CN117194410B - 一种人工智能语言模型生成业务报表的方法及系统 - Google Patents

Abstract

本申请公开了一种人工智能语言模型生成业务报表的方法及系统，涉及计算机软件技术领域，包括：S1：获取数据表结构信息；所述数据表结构信息包括数据表名称、数据表字段信息、关联信息；所述关联信息是用于连接不同的数据表，将多种不同的表格进行关联；S2：组合数据表结构信息生成大语言模式提示语；S3：模型提示语传入语言模型，将模型提示语传入语言模型，并读取语言模型的返回信息；本发明根据提示语自动构建报表，减少了人为操作和数据处理的不确定性，提高了报表处理的效率。

Description

一种人工智能语言模型生成业务报表的方法及系统

技术领域

本发明涉及及计算机软件技术领域，尤其涉及一种人工智能语言模型生成业务报表的方法及系统。

背景技术

传统的业务数据报表构建过程通常需要手动编写和设计报表模板，这一过程耗时且容易出错。此外，当面对大量和复杂的数据时，人工构建报表往往导致效率低下和准确性下降。此外，业务数据报表的构建通常需要专业的数据分析师具备高门槛的专业技能，这进一步导致了较高的用工成本。

传统的业务数据在录入的过程时，没有对业务数据进行合理分类、基础数据存在误差、信息不及时以及分析不到位，使得生成的报表存在完整性的问题。

发明内容

本申请实施例通过提供一种人工智能语言模型生成业务报表的方法及系统，解决了现有技术中报表分析不全面的问题，实现对报表信息合理分类的技术效果。

本申请实施例提供了一种人工智能语言模型生成业务报表的方法及系统，包括：

S1：获取数据表结构信息；所述数据表结构信息包括数据表名称、数据表字段信息、关联信息；所述关联信息是用于连接不同的数据表，将多种不同的表格进行关联；

S2：组合数据表结构信息生成大语言模式提示语；

S3：模型提示语传入语言模型，将模型提示语传入语言模型，并读取语言模型的返回信息；

S4：接收语言模型的返回信息并处理为报表结构信息；

S5：根据得到的报表结构信息建立数据报表；

所述S2步骤包括以下步骤：

S2.1：根据数据表结构信息获取若干个关联的数据表结构信息；通过设置的关联信息，获取所有产生关联的数据表；

S2.2：重复获取数据表结构信息；

S2.3：利用数据表结构信息列表组合成结构提示语；

S2.4：获取输入的目标提示语，将目标提示语与结构提示语组合生成模型提示语。

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：

本发明通过提取数据表结构信息，在根据语言模型对模型提示语的分析处理，生成需要得到的报表结构信息，使得报表信息能够自动生成，报表制作难度降低，同时对减少了繁琐的手动操作，节省了大量时间和人力资源，提高效率。

附图说明

图1为本发明的流程图，

图2为本发明步骤S2的流程图，

图3为本发明的模块示意图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本申请进行更全面的描述；附图中给出了本发明的较佳实施方式，但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施方式；相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。

在本申请的描述中，需要理解的是，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。

下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本申请。此外，本申请可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

请参阅图1，为本发明的流程图；

如图1所示，本发明具体实现步骤如下所示：

S1：获取数据表结构信息；所述数据表结构信息包括数据表名称、数据表字段信息、关联信息；

所述关联信息是用于连接不同的数据表，将多种不同的表格进行关联；

需要说明的是，数据库存储数据的形式是采用多表格存储一条数据信息，通过设定关联属性来将不同的数据表格进行关联，从而实现对不同数据的保存处理；

S2：组合数据表结构信息生成大语言模式提示语；

在本发明的一个实施例中，步骤2的实现方式如下所示：

S2.1：根据数据表结构信息获取若干个关联的数据表结构信息；通过设置的关联信息，获取所有产生关联的数据表；

在本实施例中，获取的数据表结构信息具体是满足以下条件：

条件一、数据表结构信息的开头为直接指向产品的数据表，数据表内至少存在一个主要关键词，主要关键词直接指向当前数据表的内容；

例如，表1：产品信息表主要关键词：产品ID次要关键词：产品名称，产品描述；在这个数据表结构信息中，产品信息表是直接指向产品的数据表，其主要关键词产品ID也直接指向该数据表的内容。因此，该数据表结构信息符合条件。

条件二、被关联的数据表内至少存在一个次要关键词，以次要关键词为索引，顺序连接被关联的数据表；

例如，如果我们有以下数据表结构信息：

表1：产品信息表主要关键词：产品ID；

次要关键词：产品名称，产品描述；

表2：订单信息表主要关键词：订单ID，产品ID；

次要关键词：订单状态，下单时间；

表3：商品信息表主要关键词：商品ID；

次要关键词：商品名称，商品描述；

表4：订单商品信息表主要关键词：订单ID，商品ID；

次要关键词：商品数量，商品单价；

表5：用户信息表主要关键词：用户ID；

次要关键词：用户名，密码；

在这个数据表结构信息中，订单信息表和订单商品信息表都被关联到产品信息表，且它们内部都存在次要关键词。以订单信息表为例，它的次要关键词订单状态、下单时间可以作为索引，顺序连接被关联的数据表，即连接产品信息表，形成"产品信息表 -> 订单信息表"的关系。同理，订单商品信息表的次要关键词商品数量、商品单价也可以作为索引，连接商品信息表，形成"商品信息表 -> 订单商品信息表"的关系。因此，该数据表结构信息符合条件。

条件三、主要关键词与次要关键词之间构成关联关系，每一个主要关键词为根节点，次要关键词依次为子节点；

例如，存在和条件二一样的数据表信息，每个主要关键词都可以作为根节点，其次要关键词依次作为子节点，形成了以下关联关系：

产品ID -> 产品名称 -> 产品描述；

订单ID -> 订单状态 -> 下单时间 -> 产品ID；

商品ID -> 商品名称 -> 商品描述；

订单ID -> 商品ID -> 商品数量 -> 商品单价；

条件四、若存在一个数据表结构信息B内不存在关联信息，且包含在已匹配完成的数据表结构信息A内，则将数据表结构信息B视为数据表结构信息A的子节点；

例如，存在和条件二一样的数据表信息，加入一个库存信息表，主要关键词：产品ID；

次要关键词：库存数量；

库存信息表与其他数据表之间没有关联信息。但是，库存信息表包含了与产品信息表相同的主要关键词产品ID，因此可以将库存信息表视为产品信息表的子节点，形成"产品信息表 -> 库存信息表"的关系。

条件五、若存在一个数据表结构信息C内不存在关联信息，且不包含在已匹配完成的数据表结构信息内，则将数据表结构信息C视为根节点；

条件六、所有的根节点之间连接构成形成哈希表，子节点以键值对的形式与根节点映射，所有具体相同连接关系的子节点构成数组，以设置的根节点指向该数组；

例如，存在和条件二一样的数据表信息，在这个数据表结构信息中，可以将根节点产品ID、订单ID、商品ID、用户ID之间连接构成哈希表，然后将子节点以键值对的形式与根节点映射，所有具有相同连接关系的子节点构成数组，以设置的根节点指向该数组。例如，可以将以下子节点：

产品名称、产品描述映射到产品ID；

订单状态、下单时间、产品ID映射到订单ID；

商品名称、商品描述映射到商品ID；

商品数量、商品单价映射到订单ID和商品ID；

然后，可以将这些具有相同连接关系的子节点构成数组，以设置的根节点指向该数组。例如，可以将所有映射到产品ID的子节点构成一个数组，将所有映射到订单ID的子节点构成一个数组，将所有映射到商品ID的子节点构成一个数组，将所有映射到订单ID和商品ID的子节点构成一个数组。

因此，在这个数据表结构信息中，可以将根节点之间连接构成哈希表，子节点以键值对的形式与根节点映射，所有具有相同连接关系的子节点构成数组，以设置的根节点指向该数组。

将主要关键词以哈希表的形式进行存储，使得应对复杂的数据表结构效果更好；

S2.2：重复获取数据表结构信息；

获取关联等级大于5的数据表结构信息和关联等级为0的数据表结构信息；

具体为，根据关联信息重复获取数据表结构信息，获取的数据表结构信息如果包含关联信息，则根据关联信息查询关联的数据表信息；直接从数据库获得数据表结构信息的关联等级记为L0，若L0中存在关联信息，根据关联信息获得关联的数据表结构信息，此时的关联的数据表结构信息的关联等级记为L1，根据数据表结构信息中的关联信息循环获取，每次关联获得的数据表结构信息的关联等级加1，直到数据表结构信息的关联等级不小于L5；若数据表结构中不含有关联信息则直接输出；

需要说明的是，正常的数据表信息在输入数据库时会与多个数据表产生关联，关联方式可以是外关联、内关联、左关联、右关联；通过不同数据表之间关联的设置，可以使自动生成的数据表结构更为完整，如果存在没有关联信息的表格，一般是完整的单表信息，可以直接输出；

S2.3：利用数据表结构信息列表组合成结构提示语；

按照关联等级将数据表结构信息组合，组合完成后去除关联等级，形成新的数据表结构信息；进行排序时，根据主要关键词、次要关键词之间的关联信息依次进行设置，生成结构提示语。

例如，结构提示语为以下形式体现，“（产品e,（产品名称，产品数量，关联信息）,...),（产品库存列表e1，（产品e，关联信息，产品e1）”，通过将获得数据表结构信息按照关联的顺序组合而成；

例如，产品信息表是根节点，包含主要关键词产品ID和次要关键词产品名称、产品描述。

订单信息表和商品信息表都包含主要关键词产品ID，可以看作是在产品信息表的基础上继续添加子节点，次要关键词分别为订单状态、下单时间和商品名称、商品描述。

订单商品信息表包含主要关键词订单ID和商品ID，可以看作是在订单信息表和商品信息表的基础上连接而成，次要关键词为商品数量、商品单价。

用户信息表是根节点，包含主要关键词用户ID和次要关键词用户名、密码。

将订单信息表、商品信息表、订单商品信息表、用户信息表组合，根据主要关键词和次要关键词之间的关联信息依次进行设置，最终生成结构提示语；

这些结构提示语可以帮助人们更好地理解数据表之间的关系，从而更好地进行数据分析和应用开发。

S2.4：获取输入的目标提示语，将目标提示语与结构提示语组合生成模型提示语；

获取输入的目标提示语，对目标提示语设置标签；目标提示语是指能直接表达想要获取的产品报表的文字信息；

根据目标提示语的标签与主要关键词进行匹配，提取得到模型提示语；

例如，数据表结构信息为，“（数据表名称，（字段名称，字段类型，字段关联表信息），...）”，目标提示语为，“e0名称name”，模式提示语为，“获取(e0名称name)的数据相关报表”；其中，目标提示语指的是产品名称，根据数据表中产品名称的关键词与目标提示语结合就是需要发送的模型提示语；

例如，获取输入的目标提示语，"需要获取产品销售报表。"

根据目标提示语的内容，判断其所属类型为"产品销售报表"。

根据"产品销售报表"的类型，在已有的结构提示语中匹配相应的主要关键词，例如："产品ID"和"订单ID"等。

将匹配到的主要关键词和结构提示语组合生成模型提示语，例如："获取包含产品ID和订单ID的产品销售报表。"

S3：模型提示语传入语言模型；

将模型提示语传入语言模型，并读取语言模型的返回信息；

具体的，为了提高语言模型对文本识别的效果，尽可能在将语言模型提示语输入时不采取过多的手段处理，在前期对文本信息根据标签、主要关键词进行合并后，直接由语言模型进行区分文字，从而提取到模型提示语中关于目标提示语的特征，通过将特征与设定的文本库比较得到目标提示语对应的数据表结构；提取出对应的结构后输出返回信息；

具体的，提取模型提示语的特征向量，对特征向量分层次构建；

首先，获取模型提示语的目标向量；目标向量指的是直接表达模型提示语需要结构的内容；

其次，将特征向量根据主要关键词、次要关键词分别提取出第一特征向量、第二特征向量；第一特征向量代表主要关键词的特征向量、第二特征向量代表次要关键词的特征向量；第一特征向量、第二特征向量代表是数据表结构信息，对第一、第二特征向量进行匹配就是寻找适合当前目标向量的结构信息，不同的目标向量需要的结构信息不同，就需要计算不同的第一、第二特征向量之间的关联关系，根据关联关系区别不适用当前目标向量的结构信息；

使用目标向量对第一特征向量进行循环验证，获得第一特征向量与目标向量的第一关联向量；第一关联向量是用于显示目标向量与第一特征向量之间的上下文关系；

所述第一特征向量被检索请求时，查询与当前第一特征向量关联的第二特征向量进行查询，返回距离第一特征向量较近的第二特征向量；

第一特征向量对第二特征向量进行遍历检测，获得第二关联向量；

将第一、第二关联向量之间进行匹配，挖掘得到边界信息，根据边界信息的匹配次数得到活跃的边界信息，将活跃的边界信息视为优先进行匹配的结构信息；将匹配到的边界信息同步到目标向量内；

同时更新目标向量与目标向量临近的特征向量，对目标向量循环更新，直至目标向量不存在边界信息；

当目标向量不存在额外的边界信息时，说明查询到的数据表结构信息为当前需要的数据表；

该方法首先将文本库转换为特征向量，然后根据目标提示语获取目标向量，并计算目标向量与所有特征向量之间的余弦相似度。接着，根据相似度最高的特征向量计算目标向量与该特征向量之间的余弦相似度作为第一关联向量，并使用第一关联向量获取第一特征向量。然后，根据第一特征向量计算与之余弦相似度最高的特征向量作为第二特征向量，并使用第一关联向量对第二特征向量进行循环验证，获取第二关联向量。接着，将第一、第二关联向量之间进行匹配，挖掘得到边界信息，并根据边界信息的匹配次数得到活跃的边界信息作为优先进行匹配的表结构。最后，返回匹配到的表结构。

需要注意的是，该方法仅是一个示例，具体实现可能需要根据具体场景进行调整和优化。

S4：接收语言模型的返回信息并处理为报表结构信息；

在把信息传入语言模型后，需要将语言模型的返回信息清洗处理后，得出对应的报表结构信息。

返回信息中可能包括冗余的描述性信息,以及结果信息。

通过按顺序分析语言模型返回信息中的文本，验证返回信息，

验证返回信息，根据还原分析法，将返回信息中的数据表结构信息与来源数据表结构信息进行关联比对，对当前数据表结构信息进行验证，验证偏差是否处在设定阈值内，若多个来源信息差距不大，则等待验证完成，

根据验证信息和模型提示语采集数据表结构特征，数据表结构特征包括采集的处理日志信息和当前需求内容信息，当特征与需求信息匹配时，处理完成报表结构信息。

S5：根据得到的报表结构信息建立数据报表；

根据结果信息，将数据表信息存入数据库，建立数据报表。

通过分析结果信息，判断是否符合数据表结构；如果结果信息不符合数据表结构，重复步骤S3、S4，获取新的结果信息，当重复操作大于10次后停止操作；如果结果信息符合数据表结构，则存入数据库，建立数据表；对结果信息进行最少十次的重复检测，可以保证生成的数据报表的完整性；

上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：

本发明通过提取数据表结构信息，在根据语言模型对模型提示语的分析处理，生成需要得到的报表结构信息，使得报表信息能够自动生成，报表制作难度降低，同时对减少了繁琐的手动操作，节省了大量时间和人力资源，提高效率。

在本发明的一个实施例中，利用人工智能大型语言模型自动生成业务管理软件业务数据报表，还包括：

数据表结构处理模块，用于定义数据表结构信息，获取数据表结构信息；

提示语处理模块，用于将数据表结构信息、结构提示语和目标提示语组合成模型提示语；

语言模型处理模块，用于处理输入，输出文字信息，与语言模型进行通信。

以上所述仅为本发明的优选实施方式，并不用于限制本发明，对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明精神和原则内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种人工智能语言模型生成业务报表的方法，其特征在于，包括：

S1：获取数据表结构信息；所述数据表结构信息包括数据表名称、数据表字段信息、关联信息；所述关联信息是用于连接不同的数据表，将多种不同的表格进行关联；

S2：组合数据表结构信息生成大语言模型提示语；

S3：大语言模型提示语传入大型语言模型，将大语言模型提示语传入大型语言模型，并读取大型语言模型的返回信息；

S4：接收大型语言模型的返回信息并处理为报表结构信息；

S5：根据得到的报表结构信息建立数据报表；

所述S2步骤包括以下步骤：

S2.1：根据数据表结构信息获取若干个关联的数据表结构信息；通过设置的关联信息，获取所有产生关联的数据表；

S2.2：重复获取数据表结构信息；

S2.3：利用数据表结构信息列表组合成结构提示语；

S2.4：获取输入的目标提示语，将目标提示语与结构提示语组合生成大语言模型提示语；

所述的获取数据表结构信息满足以下条件：

条件一、数据表结构信息的开头为直接指向产品的数据表，数据表内至少存在一个主要关键词，主要关键词直接指向当前数据表的内容；

条件二、被关联的数据表内至少存在一个次要关键词，以次要关键词为索引，顺序连接被关联的数据表；

条件三、主要关键词与次要关键词之间构成关联关系，每一个主要关键词为根节点，次要关键词依次为子节点；

条件四、若存在一个数据表结构信息B内不存在关联信息，且包含在已匹配完成的数据表结构信息A内，则将数据表结构信息B视为数据表结构信息A的子节点；

条件五、若存在一个数据表结构信息C内不存在关联信息，且不包含在已匹配完成的数据表结构信息内，则将数据表结构信息C视为根节点；

条件六、所有的根节点之间连接构成形成哈希表，子节点以键值对的形式与根节点映射，所有具体相同连接关系的子节点构成数组，以设置的根节点指向该数组。

2.如权利要求1所述的一种人工智能语言模型生成业务报表的方法，其特征在于，所述的重复获取数据表结构信息包括：获取关联等级大于5的数据表结构信息和关联等级为0的数据表结构信息。

3.如权利要求1所述的一种人工智能语言模型生成业务报表的方法，其特征在于，所述结构提示语包括：按照关联等级将数据表结构信息组合，组合完成后去除关联等级，形成新的数据表结构信息；进行排序时，根据主要关键词、次要关键词之间的关联信息依次进行设置，生成结构提示语。

4.如权利要求1所述的一种人工智能语言模型生成业务报表的方法，其特征在于，对所述目标提示语设置标签，根据目标提示语的标签与主要关键词进行匹配，提取得到大语言模型提示语。

5.如权利要求1所述的一种人工智能语言模型生成业务报表的方法，其特征在于，所述大语言模型提示语传入大型语言模型包括：

提取大语言模型提示语的特征向量，对特征向量分层次构建；获取大语言模型提示语的目标向量；目标向量指的是直接表达大语言模型提示语需要结构的内容；

特征向量根据主要关键词、次要关键词分别提取出第一特征向量、第二特征向量；第一特征向量代表主要关键词的特征向量、第二特征向量代表次要关键词的特征向量；

使用目标向量对第一特征向量进行循环验证，获得第一特征向量与目标向量的第一关联向量；第一关联向量是用于显示目标向量与第一特征向量之间的上下文关系；

所述第一特征向量被检索请求时，查询与当前第一特征向量关联的第二特征向量进行查询，返回距离第一特征向量较近的第二特征向量；第一特征向量对第二特征向量进行遍历检测，获得第二关联向量；

将第一、第二关联向量之间进行匹配，挖掘得到边界信息，根据边界信息的匹配次数得到活跃的边界信息，将活跃的边界信息视为优先进行匹配的结构信息；将匹配到的边界信息同步到目标向量内；同时更新目标向量与目标向量临近的特征向量，对目标向量循环更新，直至目标向量不存在边界信息。

6.如权利要求1所述的一种人工智能语言模型生成业务报表的方法，其特征在于，所述的接收大型语言模型的返回信息并处理为报表结构信息，包括：

验证返回信息，根据还原分析法，将返回信息中的数据表结构信息与来源数据表结构信息进行关联比对，对当前数据表结构信息进行验证，验证偏差是否处在设定阈值内，若多个来源信息差距不大，则等待验证完成；

根据验证信息和大语言模型提示语采集数据表结构特征，数据表结构特征包括采集的处理日志信息和当前需求内容信息，当特征与需求信息匹配时，处理完成报表结构信息。

7.如权利要求1所述的一种人工智能语言模型生成业务报表的方法，其特征在于，所述的根据得到的报表结构信息建立数据报表包括：

分析结果信息，判断是否符合数据表结构，如果结果信息不符合数据表结构，重复步骤S3、S4，获取新的结果信息，当重复操作大于10次后停止操作；如果结果信息符合数据表结构，则存入数据库，建立数据表。

8.一种人工智能语言模型生成业务报表的系统，使用如权利要求1所述的一种人工智能语言模型生成业务报表的方法，其特征在于，包括：

数据表结构处理模块，用于定义数据表结构信息，获取数据表结构信息；

提示语处理模块，用于将数据表结构信息、结构提示语和目标提示语组合成大语言模型提示语；

语言模型处理模块，用于处理输入，输出文字信息，与大型语言模型进行通信。