CN117216327A - 基于可视化数据关系的数据分析系统 - Google Patents

Abstract

本发明公开了一种基于可视化数据关系的数据分析系统，该基于可视化数据关系的数据分析系统包括获取模块、生成模块、预判模块和运算模块，能够预先根据企业数据库中的商业数据生成多个可视化数据关系图以用于候选，再实时根据用户的操作，筛选出预加载的预判数据关系图以及最终确定出目标数据关系图。可见，本发明能够实现更加高效和智能的可视化数据关系图匹配，能够有效提高用户使用系统进行可视化数据关系图生成的工作效率，减少用户花在选择图模板上的不必要的时间，减少出错。

Description

基于可视化数据关系的数据分析系统

技术领域

本发明涉及可视化数据处理技术领域，尤其涉及一种基于可视化数据关系的数据分析系统。

背景技术

随着企业的数字化程度的提高和数据可视化技术的发展，越来越多的企业开始采用数据可视化技术来进行数据的管理和展示，也鼓励企业工作人员尽量采用数据可视化技术来提高工作效率，以及提高数据展示的效果，这对企业的工作人员进行数据可视化展示的工作效率提出了更高的要求。但现有技术在为企业的工作人员提供数据可视化展示的服务时，仍然没有有效考虑到预先结合企业的数据来生成预设的可视化关系图，并实时根据工作人员的操作来做相应的可视化关系图的推荐和生成，因此大部分需要工作人员通过手动选择操作和数据输入来生成可视化数据关系图，效率较低，容易出错。因此现有技术存在缺陷，亟待改进。

发明内容

本发明所要解决的技术问题在于，提供一种基于可视化数据关系的数据分析系统，能够实现更加高效和智能的可视化数据关系图匹配，能够有效提高用户使用系统进行可视化数据关系图生成的工作效率，减少用户花在选择图模板上的不必要的时间，减少出错。

为了解决上述技术问题，本发明第一方面公开了一种基于可视化数据关系的数据分析系统，所述系统包括：

获取模块，用于获取目标企业的数据库中的历史商业数据以及每一所述历史商业数据对应的历史运算记录；

生成模块，用于通过动态规划算法和图像相似度算法，根据所述历史商业数据和所述历史运算记录，生成所述目标企业对应的多个可视化数据关系图和对应的商业数据集合；

预判模块，用于接收目标用户的浏览查看数据和用户参数，根据所述浏览查看数据和用户参数，以及所述商业数据集合，基于神经网络算法，从所述多个可视化数据关系图筛选出多个预判数据关系图；所述多个预判数据关系图用于预加载到后台数据库中；所述浏览查看数据为所述目标用户未确定运算前所有浏览点击查看过的数据；

运算模块，用于根据所述目标用户实时选定的多个目标商业数据和目标数据关系规则，从所述多个预判数据关系图中确定出目标数据关系图，并根据所述目标数据关系规则对所述多个目标商业数据进行运算以填充所述目标数据关系图，将填充好的所述目标数据关系图推送展示给所述目标用户。

在一个可选的实施方式中，所述历史运算记录包括历史运算类型记录和历史运算关系图记录；所述生成模块具体用于执行以下步骤：

根据所述历史运算记录，计算任意两个所述历史商业数据之间对应的联合运算次数；

根据所述历史运算类型记录，计算任意两个所述历史商业数据的历史运算类型之间的类型相似度和类型关联度；

根据所述联合运算次数、类型相似度和类型关联度，基于动态规划算法，对所述多个历史商业数据进行聚类分组，以得到多个商业数据集合；

根据所述历史运算关系图记录以及预设的多个可视化数据关系图模板，基于图相似算法，确定每一所述商业数据集合对应的可视化数据关系图，以得到所述目标企业对应的多个可视化数据关系图。

在一个可选的实施方式中，所述生成模块根据所述历史运算类型记录，计算任意两个所述历史商业数据的历史运算类型之间的类型相似度和类型关联度的具体方式包括：

对于任一所述历史商业数据，根据所述历史运算类型记录，获取该历史商业数据对应的所有历史运算类型，得到该历史商业数据对应的历史运算类型数据；所述历史运算类型包括符号运算、关系式运算、矩阵运算中的至少一种；

对于任意两个所述历史商业数据，计算该两个历史商业数据对应的所述历史运算类型数据之间的相似度，得到该两个历史商业数据对应的类型相似度；

将该两个历史商业数据对应的历史运算类型数据输入至训练好的类型关联度预测神经网络中，以得到该两个历史商业数据对应的类型关联度；所述类型关联度预测神经网络通过包括有多个训练运算类型数据和对应的类型关联度标注的训练数据集训练得到；所述类型关联度标注用于表征任意两个训练运算类型数据之间是否符合预设的类型关联规则；所述类型关联规则包括同一数据关系规则、同一数据关系图规则、连续数据运算关系中的至少一种。

在一个可选的实施方式中，所述生成模块根据所述联合运算次数、类型相似度和类型关联度，基于动态规划算法，对所述多个历史商业数据进行聚类分组，以得到多个商业数据集合的具体方式，包括：

设定目标函数为每一商业数据集合中的历史商业数据的数量最少；

设定限定条件为每一商业数据集合中的任意两个历史商业数据之间的所述联合运算次数高于预设的次数阈值，任意两个历史商业数据之间的所述类型相似度高于预设的相似度阈值，任意两个历史商业数据之间的所述类型关联度高于预设的关联度阈值；

根据所述目标函数和所述限定条件，基于粒子群遗传免疫算法，对所述多个历史商业数据进行演算，以得到最优的多个商业数据集合。

在一个可选的实施方式中，所述生成模块根据所述历史运算关系图记录以及预设的多个可视化数据关系图模板，基于图相似算法，确定每一所述商业数据集合对应的可视化数据关系图，以得到所述目标企业对应的多个可视化数据关系图的具体方式包括：

对于每一所述商业数据集合，根据所述历史运算关系图记录，获取该商业数据集合中的任一历史商业数据对应的所有历史运算关系图；

计算该历史商业数据对应的每一历史运算关系图和任一所述可视化数据关系图模板之间的图相似度的平均值，得到该历史商业数据和任一所述可视化数据关系图模板之间的模板相似度；

计算任一所述可视化数据关系图模板与该商业数据集合中的所有所述历史商业数据之间的模板相似度的平均值，得到该可视化数据关系图模板对应的综合图相似度；

将所述综合图相似度最大的所述可视化数据关系图模板，确定为该商业数据集合对应的可视化数据关系图；

将多个所述商业数据集合和对应的所述可视化数据关系图，确定为所述目标企业对应的多个可视化数据关系图。

在一个可选的实施方式中，所述用户参数包括用户级别、用户职位、用户历史数据运算记录和用户历史数据关系图记录；所述预判模块具体用于执行以下步骤：

计算所述浏览查看数据和任一所述商业数据集合之间的数据相似度；

根据所述用户参数，基于神经网络算法，确定所述用户参数与任一所述商业数据集合之间的预测关联度；

计算任一所述商业数据集合对应的所述数据相似度和所述预测关联度之间的加权求和平均值，得到任一所述商业数据集合对应的数据匹配度参数；

根据所述数据匹配度参数从大到小对所有所述商业数据集合进行排序得到集合序列，筛选出所述集合序列中前预设数量为的且所述数据匹配度参数大于预设的参数阈值的所有所述商业数据集合对应的所述可视化数据关系图，得到多个预判数据关系图。

在一个可选的实施方式中，所述预判模块根据所述用户参数，基于神经网络算法，确定所述用户参数与任一所述商业数据集合之间的预测关联度的具体方式包括：

将所述用户参数，与所述目标企业的数据库中的历史商业数据对应的历史用户参数进行匹配，以从所述数据库中确定出所述用户参数对应的多个匹配商业数据，组成匹配商业数据集合；

对于任一所述商业数据集合，计算该商业数据集合中每一历史商业数据和所述匹配商业数据集合中的每一匹配商业数据之间的所述类型相似度；

将该商业数据集合中每一历史商业数据和所述匹配商业数据集合中的每一匹配商业数据对应的历史运算类型数据输入至所述类型关联度预测神经网络中，以得到该商业数据集合中每一历史商业数据和所述匹配商业数据集合中的每一匹配商业数据之间的类型关联度；

计算该商业数据集合中每一历史商业数据和所述匹配商业数据集合中的每一匹配商业数据之间的所述类型相似度和所述类型关联度的加权求和平均值，得到该商业数据集合中每一历史商业数据和所述匹配商业数据集合中的每一匹配商业数据之间的数据关联度；

计算该商业数据集合和所述匹配商业数据集合之间对应的所有所述数据关联度的平均值，得到所述用户参数与该商业数据集合之间的预测关联度。

在一个可选的实施方式中，所述运算模块具体用于执行以下步骤：

获取所述目标用户实时选定的多个目标商业数据和目标数据关系规则；

计算所述多个目标商业数据与任一所述预判数据关系图对应的商业数据集合之间的预判数据相似度；

根据所述预判数据相似度，从所述多个预判数据关系图中确定出目标数据关系图；

根据所述目标数据关系规则对所述多个目标商业数据进行运算以填充所述目标数据关系图，将填充好的所述目标数据关系图推送展示给所述目标用户。

在一个可选的实施方式中，所述运算模块根据所述预判数据相似度，从所述多个预判数据关系图中确定出目标数据关系图的具体方式包括：

从预设的多个可视化数据关系图模板中确定出所述目标数据关系规则对应的目标数据关系图模板；

计算所述目标数据关系图模板与任一所述预判数据关系图之间的预判图相似度；

计算任一所述预判数据关系图对应的所述预判数据相似度和所述预判图相似度的加权求和平均值，得到该预判数据关系图对应的图匹配参数；

将所述图匹配参数最大的所述预判数据关系图确定为目标数据关系图。

在一个可选的实施方式中，所述运算模块还用于执行以下步骤：

实时获取所述目标用户对于填充好的所述目标数据关系图的操作；

判断所述操作是否预设的拒绝操作规则；

若是，则将所有所述预判数据关系图中所述图匹配参数仅小于所述目标数据关系图的预判数据关系图重新确定为目标数据关系图；

重新根据所述目标数据关系规则对所述多个目标商业数据进行运算以填充所述目标数据关系图，将填充好的所述目标数据关系图推送展示给所述目标用户。

与现有技术相比，本发明具有以下有益效果：

本发明能够预先根据企业数据库中的商业数据生成多个可视化数据关系图以用于候选，再实时根据用户的操作，筛选出预加载的预判数据关系图以及最终确定出目标数据关系图，从而能够实现更加高效和智能的可视化数据关系图匹配，能够有效提高用户使用系统进行可视化数据关系图生成的工作效率，减少用户花在选择图模板上的不必要的时间，减少出错。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例公开的一种基于可视化数据关系的数据分析系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或端没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或模块。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

具体的，请参阅图1，图1是本发明实施例公开的一种基于可视化数据关系的数据分析系统的结构示意图。如图1所示，该基于可视化数据关系的数据分析系统至少包括获取模块101、生成模块102、预判模块103和运算模块104。

具体的，获取模块101用于获取目标企业的数据库中的历史商业数据以及每一历史商业数据对应的历史运算记录。可选的，本发明中的历史商业数据或用户选择的目标商业数据，均可以为企业内的各个部门和各个类目下的不同商业相关数据，包括但不限于企业的财务数据、人事数据和管理制度数据。可选的，历史运算记录可以通过对工作人员在历史时间段对这些数据的运算操作进行记录以得到，也可以通过对历史时间段生成的各种数据报表中的不同数据和数据对应的运算关系进行分析以得到，例如可以对EXCEL报表中的报表数据和内嵌的运算规则进行分析和归类，以得到历史运算记录。

具体的，生成模块102用于通过动态规划算法和图像相似度算法，根据历史商业数据和历史运算记录，生成目标企业对应的多个可视化数据关系图和对应的商业数据集合。

具体的，预判模块103用于接收目标用户的浏览查看数据和用户参数，根据浏览查看数据和用户参数，以及商业数据集合，基于神经网络算法，从多个可视化数据关系图筛选出多个预判数据关系图。

具体的，多个预判数据关系图用于预加载到后台数据库中，通过这一操作可以有效提高数据关系图推荐和最终数据关系图生成的效率。

具体的，浏览查看数据为目标用户未确定运算前所有浏览点击查看过的数据，可以由系统设定目标用户用于选定生成数据关系图的按键，并获取目标用户的在点击该按键或页面元件之前的浏览查看操作所对应的数据，以得到浏览查看数据。

具体的，运算模块104用于根据目标用户实时选定的多个目标商业数据和目标数据关系规则，从多个预判数据关系图中确定出目标数据关系图，并根据目标数据关系规则对多个目标商业数据进行运算以填充目标数据关系图，将填充好的目标数据关系图推送展示给目标用户。

在一个具体的实施方案中，通过本发明中的方案，实现了一个基于可视化数据项目管理平台，其基于可视化数据关系的数据分析研发了一套数据库关系展示平台，以此解决开发和配置人员的数据库表痛点问题，该平台突破了传统管理壁垒，可以把数据库表与业务关联起来展示，以此实现产品快速迭代。该平台可以通过对企业的数据进行分析以预先生成多个数据关系图，这些数据关系图的关系规则包括函数关系、事件关系、表关系、字典关系、SQLID关系、字段关系、工单关系、标记关系、API函数或接口关系、思维导图关系或其他自定义的数据关系图。该平台的技术特点之一在于让数据模型，业务逻辑和视图显示三层之间彼此降低耦合，把关联依赖降到最低，而不至于牵一发而动全身，也即上述实现的不同系统模块之间的代码耦合关联要降低，同时利用前后端分离、合理应用JAVA设计模式、分布式架构及消息机制来完成代码层面的解耦工作。

具体的，该平台有以下特点：

1.统一采用j2ee技术和标准，统一支持互联网和移动互联网，统一使用mysql数据库平台和mongodb。

2.充分利用MVC的开发模式，采用团队式的前后端分离的开发方法；

3.以敏捷的开发迭代，不断“设计—开发—验证—优化”的方式，滚动式开展研发工作；

4.利用json非结构数据作为可配置化的主体，增强可配置化的可扩展性；

5.利用消息机制和分布式架构实现各个层面的业务解耦。

通过上述系统，能够预先根据企业数据库中的商业数据生成多个可视化数据关系图以用于候选，再实时根据用户的操作，筛选出预加载的预判数据关系图以及最终确定出目标数据关系图，从而能够实现更加高效和智能的可视化数据关系图匹配，能够有效提高用户使用系统进行可视化数据关系图生成的工作效率，减少用户花在选择图模板上的不必要的时间，减少出错。

在一个可选的实施例中，历史运算记录包括历史运算类型记录和历史运算关系图记录，具体的，生成模块102具体用于执行以下步骤：

根据历史运算记录，计算任意两个历史商业数据之间对应的联合运算次数；

根据历史运算类型记录，计算任意两个历史商业数据的历史运算类型之间的类型相似度和类型关联度；

根据联合运算次数、类型相似度和类型关联度，基于动态规划算法，对多个历史商业数据进行聚类分组，以得到多个商业数据集合；

根据历史运算关系图记录以及预设的多个可视化数据关系图模板，基于图相似算法，确定每一商业数据集合对应的可视化数据关系图，以得到目标企业对应的多个可视化数据关系图。

通过上述实施例，能够实现通过对联合运算次数、类型相似度和类型关联度的计算，以对多个历史商业数据进行聚类分组，以得到多个商业数据集合并生成每一商业数据集合对应的可视化数据关系图，从而能够有效对商业数据进行分组和数据关系图的生成，以为后续的数据关系图推荐做准备。

在一个可选的实施例中，生成模块102根据历史运算类型记录，计算任意两个历史商业数据的历史运算类型之间的类型相似度和类型关联度的具体方式包括：

对于任一历史商业数据，根据历史运算类型记录，获取该历史商业数据对应的所有历史运算类型，得到该历史商业数据对应的历史运算类型数据；历史运算类型包括符号运算、关系式运算、矩阵运算中的至少一种；

对于任意两个历史商业数据，计算该两个历史商业数据对应的历史运算类型数据之间的相似度，得到该两个历史商业数据对应的类型相似度；

将该两个历史商业数据对应的历史运算类型数据输入至训练好的类型关联度预测神经网络中，以得到该两个历史商业数据对应的类型关联度；类型关联度预测神经网络通过包括有多个训练运算类型数据和对应的类型关联度标注的训练数据集训练得到；类型关联度标注用于表征任意两个训练运算类型数据之间是否符合预设的类型关联规则；类型关联规则包括同一数据关系规则、同一数据关系图规则、连续数据运算关系中的至少一种。

可选的，本发明中的相似度计算可以通过向量距离算法来实现。

可选的，本发明中的神经网络或预测算法模型可以为CNN结构、RNN结构或LTSM结构的神经网络预测模型，操作人员可以根据具体的数据场景和数据特点来选择相应的模型结构，本发明在此不做限定。

通过上述实施例，能够实现通过相似度计算和神经网络模型来实现对类型相似度和类型关联度的计算，以便于后续对多个历史商业数据进行聚类分组，以得到多个商业数据集合并生成每一商业数据集合对应的可视化数据关系图，从而能够有效对商业数据进行分组和数据关系图的生成，以为后续的数据关系图推荐做准备。

在一个可选的实施例中，生成模块102根据联合运算次数、类型相似度和类型关联度，基于动态规划算法，对多个历史商业数据进行聚类分组，以得到多个商业数据集合的具体方式，包括：

设定目标函数为每一商业数据集合中的历史商业数据的数量最少；

设定限定条件为每一商业数据集合中的任意两个历史商业数据之间的联合运算次数高于预设的次数阈值，任意两个历史商业数据之间的类型相似度高于预设的相似度阈值，任意两个历史商业数据之间的类型关联度高于预设的关联度阈值；

根据目标函数和限定条件，基于粒子群遗传免疫算法，对多个历史商业数据进行演算，以得到最优的多个商业数据集合。

通过上述实施例，能够通过粒子群遗传免疫算法和预设的与联合运算次数、类型相似度和类型关联度的目标函数和限定条件，来实现对多个历史商业数据进行聚类分组，以便于后续得到多个商业数据集合并生成每一商业数据集合对应的可视化数据关系图，从而能够有效对商业数据进行分组和数据关系图的生成，以为后续的数据关系图推荐做准备。

在一个可选的实施例中，生成模块102根据历史运算关系图记录以及预设的多个可视化数据关系图模板，基于图相似算法，确定每一商业数据集合对应的可视化数据关系图，以得到目标企业对应的多个可视化数据关系图的具体方式包括：

对于每一商业数据集合，根据历史运算关系图记录，获取该商业数据集合中的任一历史商业数据对应的所有历史运算关系图；

计算该历史商业数据对应的每一历史运算关系图和任一可视化数据关系图模板之间的图相似度的平均值，得到该历史商业数据和任一可视化数据关系图模板之间的模板相似度；

计算任一可视化数据关系图模板与该商业数据集合中的所有历史商业数据之间的模板相似度的平均值，得到该可视化数据关系图模板对应的综合图相似度；

将综合图相似度最大的可视化数据关系图模板，确定为该商业数据集合对应的可视化数据关系图；

将多个商业数据集合和对应的可视化数据关系图，确定为目标企业对应的多个可视化数据关系图。

通过上述实施例，能够通过图相似度的计算和综合图相似度的计算，有效从可视化数据关系图模板确定出每一商业数据集合对应的可视化数据关系图，从而能够实现数据关系图的筛选和生成，以为后续的数据关系图推荐做准备。

在一个可选的实施例中，用户参数包括用户级别、用户职位、用户历史数据运算记录和用户历史数据关系图记录，具体的，预判模块103具体用于执行以下步骤：

计算浏览查看数据和任一商业数据集合之间的数据相似度；

根据用户参数，基于神经网络算法，确定用户参数与任一商业数据集合之间的预测关联度；

计算任一商业数据集合对应的数据相似度和预测关联度之间的加权求和平均值，得到任一商业数据集合对应的数据匹配度参数；

根据数据匹配度参数从大到小对所有商业数据集合进行排序得到集合序列，筛选出集合序列中前预设数量为的且数据匹配度参数大于预设的参数阈值的所有商业数据集合对应的可视化数据关系图，得到多个预判数据关系图。

通过上述实施例，能够通过对浏览查看数据和用户参数的运算来实现数据匹配度参数的计算，有效从可视化数据关系图中确定出多个预判数据关系图，以预记载多个匹配的数据关系图，从而能够实现预判数据关系图的筛选和预加载，为后续的数据关系图推荐做准备以及提高数据处理的效率。

在一个可选的实施例中，预判模块103根据用户参数，基于神经网络算法，确定用户参数与任一商业数据集合之间的预测关联度的具体方式包括：

将用户参数，与目标企业的数据库中的历史商业数据对应的历史用户参数进行匹配，以从数据库中确定出用户参数对应的多个匹配商业数据，组成匹配商业数据集合；

对于任一商业数据集合，计算该商业数据集合中每一历史商业数据和匹配商业数据集合中的每一匹配商业数据之间的类型相似度；

将该商业数据集合中每一历史商业数据和匹配商业数据集合中的每一匹配商业数据对应的历史运算类型数据输入至类型关联度预测神经网络中，以得到该商业数据集合中每一历史商业数据和匹配商业数据集合中的每一匹配商业数据之间的类型关联度；

计算该商业数据集合中每一历史商业数据和匹配商业数据集合中的每一匹配商业数据之间的类型相似度和类型关联度的加权求和平均值，得到该商业数据集合中每一历史商业数据和匹配商业数据集合中的每一匹配商业数据之间的数据关联度；

计算该商业数据集合和匹配商业数据集合之间对应的所有数据关联度的平均值，得到用户参数与该商业数据集合之间的预测关联度。

具体的，确定匹配商业数据的方式可以为：

计算目标企业的数据库中的每一历史商业数据对应的历史用户参数和目标用户的用户参数之间的相似度，并将相似度高于预设的匹配相似度阈值的所有历史商业数据，确定为匹配商业数据。

通过上述实施例，能够通过对匹配商业数据的确定，以及对商业数据集合中每一历史商业数据和匹配商业数据集合中的每一匹配商业数据之间的类型相似度和类型关联度的计算，来计算用户参数与该商业数据集合之间的预测关联度，从而能够有效在后面根据预测关联度来从可视化数据关系图中确定出多个预判数据关系图，以预记载多个匹配的数据关系图，实现预判数据关系图的筛选和预加载，为后续的数据关系图推荐做准备以及提高数据处理的效率。

在一个可选的实施例中，运算模块104具体用于执行以下步骤：

获取目标用户实时选定的多个目标商业数据和目标数据关系规则；

计算多个目标商业数据与任一预判数据关系图对应的商业数据集合之间的预判数据相似度；

根据预判数据相似度，从多个预判数据关系图中确定出目标数据关系图；

根据目标数据关系规则对多个目标商业数据进行运算以填充目标数据关系图，将填充好的目标数据关系图推送展示给目标用户。

在一个可选的实施例中，运算模块104根据预判数据相似度，从多个预判数据关系图中确定出目标数据关系图的具体方式包括：

从预设的多个可视化数据关系图模板中确定出目标数据关系规则对应的目标数据关系图模板；

计算目标数据关系图模板与任一预判数据关系图之间的预判图相似度；

计算任一预判数据关系图对应的预判数据相似度和预判图相似度的加权求和平均值，得到该预判数据关系图对应的图匹配参数；

将图匹配参数最大的预判数据关系图确定为目标数据关系图。

通过上述实施例，能够进一步通过预判图相似度的计算来提高目标数据关系图的匹配度和精确度，以提高推荐效果和用户体验。

在一个可选的实施例中，运算模块104还用于执行以下步骤：

实时获取目标用户对于填充好的目标数据关系图的操作；

判断操作是否预设的拒绝操作规则；

若是，则将所有预判数据关系图中图匹配参数仅小于目标数据关系图的预判数据关系图重新确定为目标数据关系图；

重新根据目标数据关系规则对多个目标商业数据进行运算以填充目标数据关系图，将填充好的目标数据关系图推送展示给目标用户。

可选的，拒绝操作规则可以由操作人员预先根据经验或实验进行设定，例如，其可以为限定用户点击了预设的拒绝按钮的操作，又或者其可以限定用户对于填充好的目标数据关系图的修改操作达到一定的频率或次数，便视为用户对推荐结果不满意。

通过上述实施例，能够实现在用户对推荐结果不满意时，及时重新调整推荐结果来提高用户体验。

上述对本说明书特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray， FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、 Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL (Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL (RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。

本说明书是参照根据本说明书实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后应说明的是：本发明实施例公开的一种基于可视化数据关系的数据分析系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种基于可视化数据关系的数据分析系统，其特征在于，所述系统包括：

获取模块，用于获取目标企业的数据库中的历史商业数据以及每一所述历史商业数据对应的历史运算记录；

生成模块，用于通过动态规划算法和图像相似度算法，根据所述历史商业数据和所述历史运算记录，生成所述目标企业对应的多个可视化数据关系图和对应的商业数据集合；

预判模块，用于接收目标用户的浏览查看数据和用户参数，根据所述浏览查看数据和用户参数，以及所述商业数据集合，基于神经网络算法，从所述多个可视化数据关系图筛选出多个预判数据关系图；所述多个预判数据关系图用于预加载到后台数据库中；所述浏览查看数据为所述目标用户未确定运算前所有浏览点击查看过的数据；

运算模块，用于根据所述目标用户实时选定的多个目标商业数据和目标数据关系规则，从所述多个预判数据关系图中确定出目标数据关系图，并根据所述目标数据关系规则对所述多个目标商业数据进行运算以填充所述目标数据关系图，将填充好的所述目标数据关系图推送展示给所述目标用户。

2.根据权利要求1所述的基于可视化数据关系的数据分析系统，其特征在于，所述历史运算记录包括历史运算类型记录和历史运算关系图记录；所述生成模块具体用于执行以下步骤：

根据所述历史运算记录，计算任意两个所述历史商业数据之间对应的联合运算次数；

根据所述历史运算类型记录，计算任意两个所述历史商业数据的历史运算类型之间的类型相似度和类型关联度；

根据所述联合运算次数、类型相似度和类型关联度，基于动态规划算法，对所述多个历史商业数据进行聚类分组，以得到多个商业数据集合；

根据所述历史运算关系图记录以及预设的多个可视化数据关系图模板，基于图相似算法，确定每一所述商业数据集合对应的可视化数据关系图，以得到所述目标企业对应的多个可视化数据关系图。

3.根据权利要求2所述的基于可视化数据关系的数据分析系统，其特征在于，所述生成模块根据所述历史运算类型记录，计算任意两个所述历史商业数据的历史运算类型之间的类型相似度和类型关联度的具体方式包括：

对于任一所述历史商业数据，根据所述历史运算类型记录，获取该历史商业数据对应的所有历史运算类型，得到该历史商业数据对应的历史运算类型数据；所述历史运算类型包括符号运算、关系式运算、矩阵运算中的至少一种；

对于任意两个所述历史商业数据，计算该两个历史商业数据对应的所述历史运算类型数据之间的相似度，得到该两个历史商业数据对应的类型相似度；

将该两个历史商业数据对应的历史运算类型数据输入至训练好的类型关联度预测神经网络中，以得到该两个历史商业数据对应的类型关联度；所述类型关联度预测神经网络通过包括有多个训练运算类型数据和对应的类型关联度标注的训练数据集训练得到；所述类型关联度标注用于表征任意两个训练运算类型数据之间是否符合预设的类型关联规则；所述类型关联规则包括同一数据关系规则、同一数据关系图规则、连续数据运算关系中的至少一种。

4.根据权利要求2所述的基于可视化数据关系的数据分析系统，其特征在于，所述生成模块根据所述联合运算次数、类型相似度和类型关联度，基于动态规划算法，对所述多个历史商业数据进行聚类分组，以得到多个商业数据集合的具体方式，包括：

设定目标函数为每一商业数据集合中的历史商业数据的数量最少；

设定限定条件为每一商业数据集合中的任意两个历史商业数据之间的所述联合运算次数高于预设的次数阈值，任意两个历史商业数据之间的所述类型相似度高于预设的相似度阈值，任意两个历史商业数据之间的所述类型关联度高于预设的关联度阈值；

根据所述目标函数和所述限定条件，基于粒子群遗传免疫算法，对所述多个历史商业数据进行演算，以得到最优的多个商业数据集合。

5.根据权利要求2所述的基于可视化数据关系的数据分析系统，其特征在于，所述生成模块根据所述历史运算关系图记录以及预设的多个可视化数据关系图模板，基于图相似算法，确定每一所述商业数据集合对应的可视化数据关系图，以得到所述目标企业对应的多个可视化数据关系图的具体方式包括：

对于每一所述商业数据集合，根据所述历史运算关系图记录，获取该商业数据集合中的任一历史商业数据对应的所有历史运算关系图；

计算该历史商业数据对应的每一历史运算关系图和任一所述可视化数据关系图模板之间的图相似度的平均值，得到该历史商业数据和任一所述可视化数据关系图模板之间的模板相似度；

计算任一所述可视化数据关系图模板与该商业数据集合中的所有所述历史商业数据之间的模板相似度的平均值，得到该可视化数据关系图模板对应的综合图相似度；

将所述综合图相似度最大的所述可视化数据关系图模板，确定为该商业数据集合对应的可视化数据关系图；

将多个所述商业数据集合和对应的所述可视化数据关系图，确定为所述目标企业对应的多个可视化数据关系图。

6.根据权利要求3所述的基于可视化数据关系的数据分析系统，其特征在于，所述用户参数包括用户级别、用户职位、用户历史数据运算记录和用户历史数据关系图记录；所述预判模块具体用于执行以下步骤：

计算所述浏览查看数据和任一所述商业数据集合之间的数据相似度；

根据所述用户参数，基于神经网络算法，确定所述用户参数与任一所述商业数据集合之间的预测关联度；

计算任一所述商业数据集合对应的所述数据相似度和所述预测关联度之间的加权求和平均值，得到任一所述商业数据集合对应的数据匹配度参数；

根据所述数据匹配度参数从大到小对所有所述商业数据集合进行排序得到集合序列，筛选出所述集合序列中前预设数量为的且所述数据匹配度参数大于预设的参数阈值的所有所述商业数据集合对应的所述可视化数据关系图，得到多个预判数据关系图。

7.根据权利要求6所述的基于可视化数据关系的数据分析系统，其特征在于，所述预判模块根据所述用户参数，基于神经网络算法，确定所述用户参数与任一所述商业数据集合之间的预测关联度的具体方式包括：

将所述用户参数，与所述目标企业的数据库中的历史商业数据对应的历史用户参数进行匹配，以从所述数据库中确定出所述用户参数对应的多个匹配商业数据，组成匹配商业数据集合；

对于任一所述商业数据集合，计算该商业数据集合中每一历史商业数据和所述匹配商业数据集合中的每一匹配商业数据之间的所述类型相似度；

将该商业数据集合中每一历史商业数据和所述匹配商业数据集合中的每一匹配商业数据对应的历史运算类型数据输入至所述类型关联度预测神经网络中，以得到该商业数据集合中每一历史商业数据和所述匹配商业数据集合中的每一匹配商业数据之间的类型关联度；

计算该商业数据集合中每一历史商业数据和所述匹配商业数据集合中的每一匹配商业数据之间的所述类型相似度和所述类型关联度的加权求和平均值，得到该商业数据集合中每一历史商业数据和所述匹配商业数据集合中的每一匹配商业数据之间的数据关联度；

计算该商业数据集合和所述匹配商业数据集合之间对应的所有所述数据关联度的平均值，得到所述用户参数与该商业数据集合之间的预测关联度。

8.根据权利要求1所述的基于可视化数据关系的数据分析系统，其特征在于，所述运算模块具体用于执行以下步骤：

获取所述目标用户实时选定的多个目标商业数据和目标数据关系规则；

计算所述多个目标商业数据与任一所述预判数据关系图对应的商业数据集合之间的预判数据相似度；

根据所述预判数据相似度，从所述多个预判数据关系图中确定出目标数据关系图；

根据所述目标数据关系规则对所述多个目标商业数据进行运算以填充所述目标数据关系图，将填充好的所述目标数据关系图推送展示给所述目标用户。

9.根据权利要求8所述的基于可视化数据关系的数据分析系统，其特征在于，所述运算模块根据所述预判数据相似度，从所述多个预判数据关系图中确定出目标数据关系图的具体方式包括：

从预设的多个可视化数据关系图模板中确定出所述目标数据关系规则对应的目标数据关系图模板；

计算所述目标数据关系图模板与任一所述预判数据关系图之间的预判图相似度；

计算任一所述预判数据关系图对应的所述预判数据相似度和所述预判图相似度的加权求和平均值，得到该预判数据关系图对应的图匹配参数；

将所述图匹配参数最大的所述预判数据关系图确定为目标数据关系图。

10.根据权利要求9所述的基于可视化数据关系的数据分析系统，其特征在于，所述运算模块还用于执行以下步骤：

实时获取所述目标用户对于填充好的所述目标数据关系图的操作；

判断所述操作是否预设的拒绝操作规则；

若是，则将所有所述预判数据关系图中所述图匹配参数仅小于所述目标数据关系图的预判数据关系图重新确定为目标数据关系图；

重新根据所述目标数据关系规则对所述多个目标商业数据进行运算以填充所述目标数据关系图，将填充好的所述目标数据关系图推送展示给所述目标用户。