CN117493427B - 基于ai大语言模型的数据大屏生成方法及系统 - Google Patents
基于ai大语言模型的数据大屏生成方法及系统 Download PDFInfo
- Publication number
- CN117493427B CN117493427B CN202410003903.9A CN202410003903A CN117493427B CN 117493427 B CN117493427 B CN 117493427B CN 202410003903 A CN202410003903 A CN 202410003903A CN 117493427 B CN117493427 B CN 117493427B
- Authority
- CN
- China
- Prior art keywords
- data
- algorithm
- generating
- adopting
- generate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002452 interceptive effect Effects 0.000 claims abstract description 63
- 238000005516 engineering process Methods 0.000 claims abstract description 45
- 238000010586 diagram Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000002787 reinforcement Effects 0.000 claims abstract description 17
- 238000009877 rendering Methods 0.000 claims abstract description 10
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims description 57
- 238000004458 analytical method Methods 0.000 claims description 54
- 238000013461 design Methods 0.000 claims description 39
- 230000003993 interaction Effects 0.000 claims description 32
- 230000004044 response Effects 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 17
- 238000012800 visualization Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000003190 augmentative effect Effects 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000012482 interaction analysis Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003909 pattern recognition Methods 0.000 claims description 5
- 238000013506 data mapping Methods 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及数据可视化技术领域，具体为基于AI大语言模型的数据大屏生成方法及系统，包括以下步骤：基于行业源数据，采用数据清洗和数据标准化算法，结合BERT模型进行数据解析，生成结构化数据集；基于所述结构化数据集，利用数据绑定技术提取数据。本发明中，通过结合BERT和GPT模型，提高了数据的结构化程度和准确性，使得从行业源数据中提取有用的信息变得更加高效和精确。利用散点图和折线图生成算法，以及三维渲染技术，能够创建更加动态和交互式的数据可视化，这不仅提高了数据展示的直观性，还增加了用户参与感。采用强化学习算法调整数据布局样式，使得最终的数据大屏更加个性化和用户友好，以满足不同用户的具体需求。
Description
技术领域
本发明涉及数据可视化技术领域，尤其涉及基于AI大语言模型的数据大屏生成方法及系统。
背景技术
数据可视化技术领域是一种通过图形、图表等视觉元素，将复杂的数据和信息呈现为直观、易理解的形式的技术。这种方法利用AI大语言模型，以自然语言理解和生成为基础，实现对大量数据的智能分析和处理。目的在于提供对数据的深入理解和实时分析，使决策者和普通用户能够直观地了解复杂数据之间的关系、趋势和异常。
其中，基于AI大语言模型的数据大屏生成方法是利用大型语言模型来自动创建数据可视化的方法。它的主要目的是简化和自动化数据可视化的创建过程，使之更加高效和准确。通过这种方法，可以实现更快速的数据处理、更高效的信息提取以及更直观的数据展示，使得用户能够更加轻松地理解和分析数据，为达成这一目的，这种方法通常结合了自然语言处理（NLP）技术和数据可视化工具。大型语言模型如GPT或BERT被用来理解和处理用户的查询，然后将这些查询转换为具体的数据可视化任务。接着，利用数据可视化工具将这些任务转化为图表、图形或数据大屏，从而为用户提供直观和易于理解的数据表示。
传统数据大屏生成方法依赖手动编码和固定的模板，导致在处理大量或复杂数据时缺乏灵活性和效率，难以快速适应数据的变化，不能提供实时的数据解析和更新。此外，传统方法在用户交互和个性化体验方面也有限，无法充分利用最新的数据可视化技术，从而在呈现数据的深度和广度上受到限制。这些限制影响了数据可视化的有效性，限制了用户从数据中获得洞察的能力。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的基于AI大语言模型的数据大屏生成方法及系统。
为了实现上述目的，本发明采用了如下技术方案：基于AI大语言模型的数据大屏生成方法，包括以下步骤：
S1：基于行业源数据，采用数据清洗和数据标准化算法，结合BERT模型进行数据解析，生成结构化数据集；
S2：基于所述结构化数据集，利用数据绑定技术提取数据，采用模板匹配算法选择模板，生成大屏草图；
S3：基于所述大屏草图，结合用户提出的自然语言查询，采用GPT模型进行语义理解和信息提取，并通过SQL解析器检索数据，生成查询响应的数据集；
S4：基于所述查询响应的数据集，采用散点图和折线图生成算法转换为图表，结合布局优化算法调整图表，生成可视化图表集；
S5：基于所述可视化图表集，采用三维渲染技术构建交互式三维场景，利用用户界面设计工具进行布局调整，生成三维数据大屏；
S6：基于所述三维数据大屏，采用D3.js展示数据时间，结合交互设计算法，生成动态交互式数据大屏；
S7：基于所述动态交互式数据大屏，结合用户反馈和偏好，采用强化学习算法调整数据布局样式，生成最终个性化数据大屏；
所述结构化数据集包括数据类型标注、数据分类信息，所述大屏草图具体为数据与模板的结合，所述可视化图表集包括图表类型、布局配置、样式设计，所述三维数据大屏包括三维模型、交互功能、用户界面，所述动态交互式数据大屏包括时间轴动画、用户交互事件、动态数据更新。
作为本发明的进一步方案，基于行业源数据，采用数据清洗和数据标准化算法，结合BERT模型进行数据解析，生成结构化数据集的步骤具体为：
S101：基于行业源数据，采用正则表达式和去噪算法去除非结构化元素，生成清洗后的数据集；
S102：基于所述清洗后的数据集，采用Z分数标准化和数据编码方法，生成标准化数据集；
S103：基于所述标准化数据集，采用BERT模型进行语义分析和词提取，生成语义解析数据集；
S104：基于所述语义解析数据集，运用实体识别和关系抽取算法，生成结构化数据集。
作为本发明的进一步方案，基于所述结构化数据集，利用数据绑定技术提取数据，采用模板匹配算法选择模板，生成大屏草图的步骤具体为：
S201：基于所述结构化数据集，运用模板匹配算法，生成选定模板；
S202：基于所述选定模板，应用数据绑定和映射算法关联视觉元素与数据，生成数据绑定模型；
S203：基于所述数据绑定模型，利用用户界面设计工具对模板进行调整，生成初步的大屏草图；
S204：基于所述初步的大屏草图，结合用户反馈，采用CSS预处理器和布局优化算法进行样式和交互式调整，生成大屏草图。
作为本发明的进一步方案，基于所述大屏草图，结合用户提出的自然语言查询，采用GPT模型进行语义理解和信息提取，并通过SQL解析器检索数据，生成查询响应的数据集的步骤具体为：
S301：基于所述大屏草图，使用GPT模型对自然语言查询进行语义解析和识别，生成查询解析报告；
S302：基于所述查询解析报告，应用SQL解析器检索数据库中关联数据，生成数据检索结果；
S303：基于所述数据检索结果，应用数据过滤和排序算法对结果进行调整，生成优化后的数据集；
S304：基于所述优化后的数据集，使用数据映射技术提取数据集，生成查询响应的数据集。
作为本发明的进一步方案，基于所述查询响应的数据集，采用散点图和折线图生成算法转换为图表，结合布局优化算法调整图表，生成可视化图表集的步骤具体为：
S401：基于所述查询响应的数据集，采用散点图和折线图生成算法，生成基础图表集；
S402：基于所述基础图表集，应用自动布局优化算法，生成优化布局图表集；
S403：基于所述优化布局图表集，运用数据动态可视化技术，生成动态视觉图表集；
S404：基于所述动态视觉图表集，采用数据驱动设计策略，进行图表风格和配色调整，生成可视化图表集。
作为本发明的进一步方案，基于所述可视化图表集，采用三维渲染技术构建交互式三维场景，利用用户界面设计工具进行布局调整，生成三维数据大屏的步骤具体为：
S501：基于所述可视化图表集，采用WebGL，生成初步三维数据场景；
S502：基于所述初步三维数据场景，利用用户界面设计工具，进行布局和交互设计调整，生成优化布局三维数据场景；
S503：基于所述优化布局三维数据场景，采用增强现实技术，生成沉浸式三维数据场景；
S504：基于所述沉浸式三维数据场景，采用分布式计算框架和3D可视化进行数据展示，生成三维数据大屏。
作为本发明的进一步方案，基于所述三维数据大屏，采用D3.js展示数据时间，结合交互设计算法，生成动态交互式数据大屏的步骤具体为：
S601：基于所述三维数据大屏，使用D3.js呈现数据时间变化，生成具有时间动态的数据展示；
S602：基于所述具有时间动态的数据展示，采用交互设计算法，生成增强交互的数据大屏；
S603：基于所述增强交互的数据大屏，采用对话式AI和语音识别，生成具有语音交互的数据大屏；
S604：基于所述具有语音交互的数据大屏，采用预测分析和模式识别算法，进行数据提炼分析，生成动态交互式数据大屏。
作为本发明的进一步方案，基于所述动态交互式数据大屏，结合用户反馈和偏好，采用强化学习算法调整数据布局样式，生成最终个性化数据大屏的步骤具体为：
S701：基于所述动态交互式数据大屏，采用用户行为分析工具收集交互数据，生成用户交互分析报告；
S702：基于所述用户交互分析报告，采用关联规则分析算法，生成用户行为模式分析结果；
S703：基于所述用户行为模式分析结果，采用强化学习算法，生成界面布局优化模型；
S704：基于所述界面布局优化模型，采用前端框架和库与WebSocket调整界面布局，生成最终个性化数据大屏。
基于AI大语言模型的数据大屏生成系统，所述基于AI大语言模型的数据大屏生成系统用于执行上述基于AI大语言模型的数据大屏生成方法，所述系统包括数据处理模块、模板选择模块、查询处理模块、图表生成模块、三维数据场景模块、交互优化模块。
作为本发明的进一步方案，所述数据处理模块基于行业源数据，采用正则表达式和去噪算法清洗数据，通过BERT模型进行语义解析，生成结构化数据集；
所述模板选择模块基于结构化数据集，运用模板匹配算法选取模板，通过数据绑定和映射算法进行视觉元素关联，生成大屏草图；
所述查询处理模块基于大屏草图，采用GPT模型对自然语言查询进行解析，通过SQL解析器检索关联数据，生成查询响应的数据集；
所述图表生成模块基于查询响应的数据集，采用散点图和折线图生成算法创建基础图表，运用动态可视化技术调整视觉展示，生成动态视觉图表集；
所述三维数据场景模块基于动态视觉图表集，利用WebGL构建初步三维数据场景，结合增强现实技术增强场景交互性，生成沉浸式三维数据场景；
所述交互优化模块基于沉浸式三维数据场景，采用D3.js动态展示数据变化，结合强化学习算法和前端框架调整布局样式，生成最终个性化数据大屏。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过结合BERT和GPT模型，提高了数据的结构化程度和准确性，使得从行业源数据中提取有用的信息变得更加高效和精确。利用散点图和折线图生成算法，以及三维渲染技术，能够创建更加动态和交互式的数据可视化，这不仅提高了数据展示的直观性，还增加了用户参与感。采用强化学习算法调整数据布局样式，使得最终的数据大屏更加个性化和用户友好，以满足不同用户的具体需求。
附图说明
图1为本发明的工作流程示意图；
图2为本发明的S1细化流程图；
图3为本发明的S2细化流程图；
图4为本发明的S3细化流程图；
图5为本发明的S4细化流程图；
图6为本发明的S5细化流程图；
图7为本发明的S6细化流程图；
图8为本发明的S7细化流程图；
图9为本发明的系统流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
请参阅图1，本发明提供一种技术方案：基于AI大语言模型的数据大屏生成方法，包括以下步骤：
S1：基于行业源数据，采用数据清洗和数据标准化算法，结合BERT模型进行数据解析，生成结构化数据集；
S2：基于结构化数据集，利用数据绑定技术提取数据，采用模板匹配算法选择模板，生成大屏草图；
S3：基于大屏草图，结合用户提出的自然语言查询，采用GPT模型进行语义理解和信息提取，并通过SQL解析器检索数据，生成查询响应的数据集；
S4：基于查询响应的数据集，采用散点图和折线图生成算法转换为图表，结合布局优化算法调整图表，生成可视化图表集；
S5：基于可视化图表集，采用三维渲染技术构建交互式三维场景，利用用户界面设计工具进行布局调整，生成三维数据大屏；
S6：基于三维数据大屏，采用D3.js展示数据时间，结合交互设计算法，生成动态交互式数据大屏；
S7：基于动态交互式数据大屏，结合用户反馈和偏好，采用强化学习算法调整数据布局样式，生成最终个性化数据大屏；
结构化数据集包括数据类型标注、数据分类信息，大屏草图具体为数据与模板的结合，可视化图表集包括图表类型、布局配置、样式设计，三维数据大屏包括三维模型、交互功能、用户界面，动态交互式数据大屏包括时间轴动画、用户交互事件、动态数据更新。
通过数据清洗和标准化算法处理行业源数据，结合BERT模型进行数据解析，生成结构化数据集，提高数据的准确度和一致性。根据用户需求生成个性化的数据大屏，利用GPT模型进行语义理解和信息提取，并通过散点图和折线图生成算法将数据集转换为图表，布局优化算法调整图表的布局，使数据更加直观和易于理解。采用三维渲染技术和用户界面设计工具构建交互式三维场景，并结合D3.js展示数据时间，生成动态交互式数据大屏，提供更好的用户体验。强化学习算法可以根据用户反馈和偏好调整数据布局样式，实现数据的实时更新和交互功能，使得数据大屏更加生动和具有吸引力。
请参阅图2，基于行业源数据，采用数据清洗和数据标准化算法，结合BERT模型进行数据解析，生成结构化数据集的步骤具体为：
S101：基于行业源数据，采用正则表达式和去噪算法去除非结构化元素，生成清洗后的数据集；
S102：基于清洗后的数据集，采用Z分数标准化和数据编码方法，生成标准化数据集；
S103：基于标准化数据集，采用BERT模型进行语义分析和词提取，生成语义解析数据集；
S104：基于语义解析数据集，运用实体识别和关系抽取算法，生成结构化数据集。
首先，根据行业源数据的特点，设计合适的正则表达式模式，用于匹配并去除非结构化元素，例如可以使用正则表达式来匹配并去除HTML标签、特殊字符等，然后通过去噪算法对数据集进行进一步处理，去除噪声数据和冗余信息。在数据清洗完成后，采用Z分数标准化方法对数据集进行标准化处理，Z分数标准化是一种常用的数据标准化方法，可以将不同尺度的数据转化为具有统一标准差和均值的分布，还可以使用其他数据编码方法，如独热编码、标签编码等，将离散型数据转化为数值型数据。
接着，根据标准化后的数据集，使用BERT模型进行语义分析和词提取，BERT模型是一种预训练的语言模型，可以对文本进行深层次的语义理解和词向量表示，通过将标准化后的数据集输入到BERT模型中，可以获得每个词的语义表示和上下文信息。在语义解析的基础上，运用实体识别和关系抽取算法对数据集进行处理，实体识别是指从文本中识别出具有特定意义的实体，如人名、地名、组织机构名等，关系抽取是指从文本中提取出实体之间的关系，如人物之间的亲属关系、组织之间的合作关系等，通过实体识别和关系抽取，可以将语义解析后的数据集转化为结构化数据集。
请参阅图3，基于结构化数据集，利用数据绑定技术提取数据，采用模板匹配算法选择模板，生成大屏草图的步骤具体为：
S201：基于结构化数据集，运用模板匹配算法，生成选定模板；
S202：基于选定模板，应用数据绑定和映射算法关联视觉元素与数据，生成数据绑定模型；
S203：基于数据绑定模型，利用用户界面设计工具对模板进行调整，生成初步的大屏草图；
S204：基于初步的大屏草图，结合用户反馈，采用CSS预处理器和布局优化算法进行样式和交互式调整，生成大屏草图。
首先，根据结构化数据集的特点和需求，设计合适的模板匹配算法，该算法可以根据数据集的结构和内容，自动匹配最合适的模板，将结构化数据集输入到模板匹配算法中，生成选定的模板。在选定模板后，应用数据绑定和映射算法将视觉元素与数据进行关联。通过数据绑定技术，可以将数据集中的数据字段与模板中的视觉元素进行绑定，实现数据的动态更新和展示，同时利用映射算法将数据字段与视觉元素的属性进行对应，确保数据的正确显示。
接着，根据数据绑定模型，利用用户界面设计工具对模板进行调整和布局，生成初步的大屏草图，在此过程中可以根据实际需求添加、删除或修改视觉元素，调整布局和样式，以及设置交互式功能等。根据初步的大屏草图，结合用户的反馈和需求，采用CSS预处理器和布局优化算法进行样式和交互式调整，CSS预处理器可以提供更灵活和高效的样式处理方式，而布局优化算法可以优化大屏草图的布局效果和性能，通过这些调整，可以使大屏草图更加美观、易用和响应式。
请参阅图4，基于大屏草图，结合用户提出的自然语言查询，采用GPT模型进行语义理解和信息提取，并通过SQL解析器检索数据，生成查询响应的数据集的步骤具体为：
S301：基于大屏草图，使用GPT模型对自然语言查询进行语义解析和识别，生成查询解析报告；
S302：基于查询解析报告，应用SQL解析器检索数据库中关联数据，生成数据检索结果；
S303：基于数据检索结果，应用数据过滤和排序算法对结果进行调整，生成优化后的数据集；
S304：基于优化后的数据集，使用数据映射技术提取数据集，生成查询响应的数据集。
根据大屏草图，使用GPT模型对用户提出的自然语言查询进行语义解析和识别，以对文本进行深层次的语义理解和词向量表示，通过将自然语言查询输入到GPT模型中，可以获得查询的语义表示和关键信息。基于查询解析报告，应用SQL解析器检索数据库中关联的数据，SQL解析器可以将查询解析报告中的语义信息转化为可执行的SQL语句，并执行该语句从数据库中检索相关数据，通过数据检索，可以获得与查询相关的数据集。
根据数据检索结果，应用数据过滤和排序算法对结果进行调整，数据过滤算法可以根据查询需求和条件，筛选出符合条件的数据，排序算法可以根据指定的排序规则，对数据进行排序，通过结果调整可以生成优化后的数据集。基于优化后的数据集，使用数据映射技术提取数据集，生成查询响应的数据集，数据映射技术可以将优化后的数据集转换为符合需求的格式和结构，以便进一步处理和使用。
请参阅图5，基于查询响应的数据集，采用散点图和折线图生成算法转换为图表，结合布局优化算法调整图表，生成可视化图表集的步骤具体为：
S401：基于查询响应的数据集，采用散点图和折线图生成算法，生成基础图表集；
S402：基于基础图表集，应用自动布局优化算法，生成优化布局图表集；
S403：基于优化布局图表集，运用数据动态可视化技术，生成动态视觉图表集；
S404：基于动态视觉图表集，采用数据驱动设计策略，进行图表风格和配色调整，生成可视化图表集。
根据查询响应的数据集，采用散点图和折线图生成算法，生成基础图表集，散点图适用于展示两个变量之间的关系，而折线图适用于展示一个变量随时间或其他因素的变化趋势，通过选择合适的图表生成算法，可以将数据集转化为易于理解和分析的图表形式。基于基础图表集，应用自动布局优化算法，生成优化布局图表集，自动布局优化算法可以根据图表的类型、数据量和可视化要求等因素，自动调整图表的大小、位置和间距，以获得更好的视觉效果和信息传达效果，通过布局优化可以使图表更加清晰、易读和美观。
根据优化布局图表集，运用数据动态可视化技术，生成动态视觉图表集。数据动态可视化技术可以根据用户的操作或数据的更新，实时改变图表的内容、样式和交互方式，通过动态可视化，可以提供更丰富的数据分析和探索功能，增强用户的交互体验和决策能力。基于动态视觉图表集，采用数据驱动设计策略，进行图表风格和配色调整，生成可视化图表集，数据驱动设计策略可以根据数据的特点和可视化目标，选择适合的图表风格和配色方案，通过图表风格和配色调整，可以使图表更加一致、协调和专业。
请参阅图6，基于可视化图表集，采用三维渲染技术构建交互式三维场景，利用用户界面设计工具进行布局调整，生成三维数据大屏的步骤具体为：
S501：基于可视化图表集，采用WebGL，生成初步三维数据场景；
S502：基于初步三维数据场景，利用用户界面设计工具，进行布局和交互设计调整，生成优化布局三维数据场景；
S503：基于优化布局三维数据场景，采用增强现实技术，生成沉浸式三维数据场景；
S504：基于沉浸式三维数据场景，采用分布式计算框架和3D可视化进行数据展示，生成三维数据大屏。
根据可视化图表集，采用WebGL技术生成初步的三维数据场景，WebGL是一种基于OpenGL ES的JavaScript库，可以在网页上实现高性能的图形渲染，通过将可视化图表集中的数据转化为三维模型和场景，可以生成初步的三维数据场景。根据初步三维数据场景，利用用户界面设计工具进行布局和交互设计调整，生成优化布局的三维数据场景，用户界面设计工具可以根据实际需求，对三维数据场景的大小、位置、视角等进行调整，以获得更好的视觉效果和用户体验，同时，还可以添加交互元素和功能，如鼠标点击、拖拽、缩放等，增强用户的交互性和操作性。
基于优化布局的三维数据场景，采用增强现实技术生成沉浸式的三维数据场景，增强现实技术可以将虚拟的三维数据场景与真实的环境进行融合，使用户能够身临其境地感受和探索数据，通过使用增强现实设备和相应的开发工具，可以将三维数据场景投影到真实环境中，并实现与用户的实时交互。
根据沉浸式的三维数据场景，采用分布式计算框架和3D可视化技术进行数据的展示和大屏生成，分布式计算框架可以将大规模的数据集分散存储和处理，以提高数据处理的效率和性能，3D可视化技术可以将数据以三维形式展示出来，提供更直观、生动的数据呈现方式，通过结合这两种技术，可以实现大规模数据的快速加载、处理和展示，从而生成具有高度互动性和视觉冲击力的三维数据大屏。
请参阅图7，基于三维数据大屏，采用D3.js展示数据时间，结合交互设计算法，生成动态交互式数据大屏的步骤具体为：
S601：基于三维数据大屏，使用D3.js呈现数据时间变化，生成具有时间动态的数据展示；
S602：基于具有时间动态的数据展示，采用交互设计算法，生成增强交互的数据大屏；
S603：基于增强交互的数据大屏，采用对话式AI和语音识别，生成具有语音交互的数据大屏；
S604：基于具有语音交互的数据大屏，采用预测分析和模式识别算法，进行数据提炼分析，生成动态交互式数据大屏。
根据三维数据大屏，使用D3.js库来呈现数据的时间变化，D3.js是一种基于数据驱动的JavaScript库，可以用于创建交互式的数据可视化图表，通过将数据与时间轴相结合，可以使用D3.js生成具有时间动态的数据展示效果。基于具有时间动态的数据展示，采用交互设计算法来增强数据的交互性，交互设计算法可以根据用户的操作和反馈，动态调整数据展示的方式和效果，例如，可以通过添加鼠标悬停提示、点击事件响应等功能，使用户能够更直观地理解和探索数据。
根据增强交互的数据大屏，采用对话式AI和语音识别技术来实现语音交互功能，对话式AI可以理解用户的语音指令并作出相应的回应，而语音识别技术可以将用户的语音输入转化为可处理的文本信息，通过结合这两种技术，可以实现用户与数据大屏之间的语音交互，提高用户的参与度和便利性。基于具有语音交互的数据大屏，采用预测分析和模式识别算法来进行数据的提炼和分析，预测分析可以根据历史数据和模型，预测未来的趋势和结果，而模式识别可以发现数据中的隐藏模式和规律，通过应用这些算法可以从大量的数据中提取有价值的信息，并以动态交互式的方式展示给用户。
请参阅图8，基于动态交互式数据大屏，结合用户反馈和偏好，采用强化学习算法调整数据布局样式，生成最终个性化数据大屏的步骤具体为：
S701：基于动态交互式数据大屏，采用用户行为分析工具收集交互数据，生成用户交互分析报告；
S702：基于用户交互分析报告，采用关联规则分析算法，生成用户行为模式分析结果；
S703：基于用户行为模式分析结果，采用强化学习算法，生成界面布局优化模型；
S704：基于界面布局优化模型，采用前端框架和库与WebSocket调整界面布局，生成最终个性化数据大屏。
基于动态交互式数据大屏，使用用户行为分析工具来收集用户的交互数据，用户行为分析工具可以记录用户在数据大屏上的操作和行为，如点击、滑动、缩放等，通过收集这些交互数据，可以生成用户交互分析报告，了解用户的行为模式和偏好。根据用户交互分析报告，采用关联规则分析算法来分析用户的行为模式，关联规则分析算法可以发现不同行为之间的关联性和规律性，通过分析用户的行为模式，可以了解用户对数据的关注度、使用频率以及交互方式等。
基于用户行为模式分析结果，采用强化学习算法来生成界面布局优化模型，强化学习算法可以根据用户的反馈和偏好，自动调整界面布局的样式和排布方式，通过不断迭代和优化，可以使界面布局更符合用户的个性化需求和视觉习惯。根据界面布局优化模型，采用前端框架和库与WebSocket技术来调整界面布局，生成最终的个性化数据大屏，前端框架和库提供了丰富的界面组件和交互功能，可以方便地实现界面布局的调整和美化，而WebSocket技术可以实现前后端实时通信，使界面布局的调整能够立即生效。
请参阅图9，基于AI大语言模型的数据大屏生成系统，基于AI大语言模型的数据大屏生成系统用于执行上述基于AI大语言模型的数据大屏生成方法，系统包括数据处理模块、模板选择模块、查询处理模块、图表生成模块、三维数据场景模块、交互优化模块。
数据处理模块基于行业源数据，采用正则表达式和去噪算法清洗数据，通过BERT模型进行语义解析，生成结构化数据集；
模板选择模块基于结构化数据集，运用模板匹配算法选取模板，通过数据绑定和映射算法进行视觉元素关联，生成大屏草图；
查询处理模块基于大屏草图，采用GPT模型对自然语言查询进行解析，通过SQL解析器检索关联数据，生成查询响应的数据集；
图表生成模块基于查询响应的数据集，采用散点图和折线图生成算法创建基础图表，运用动态可视化技术调整视觉展示，生成动态视觉图表集；
三维数据场景模块基于动态视觉图表集，利用WebGL构建初步三维数据场景，结合增强现实技术增强场景交互性，生成沉浸式三维数据场景；
交互优化模块基于沉浸式三维数据场景，采用D3.js动态展示数据变化，结合强化学习算法和前端框架调整布局样式，生成最终个性化数据大屏。
首先系统通过数据清洗和语义解析，将原始数据转化为结构化数据集，有助于消除数据中的噪音和不一致性，提高数据质量，使其更容易分析和可视化。自动模板选择和自然语言查询解析减少了用户的手动干预，提高了工作效率，模板选择模块自动选取适合的可视化模板，确保了可视化的一致性和准确性，自然语言查询解析使用户能够用自然语言提问系统，不必深入了解数据库查询语言，降低了使用门槛。
此外，动态可视化和沉浸式体验使用户能够更好地理解数据变化趋势和模式，提高了数据可视化的效果，使用户可以更深入地探索数据，发现隐藏的模式和关联性。系统还允许用户个性化定制数据大屏，根据其具体需求自定义布局和样式，这提高了用户体验，使用户能够更好地满足其特定的数据可视化需求。该系统提高了决策效率，节省了用户的时间和努力，决策者可以更快地获取关键信息并作出明智的决策，为业务决策提供了有力的支持。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (10)
1.基于AI大语言模型的数据大屏生成方法，其特征在于，包括以下步骤：
基于行业源数据，采用数据清洗和数据标准化算法，结合BERT模型进行数据解析，生成结构化数据集；
基于所述结构化数据集，利用数据绑定技术提取数据，采用模板匹配算法选择模板，生成大屏草图；
基于所述大屏草图，结合用户提出的自然语言查询，采用GPT模型进行语义理解和信息提取，并通过SQL解析器检索数据，生成查询响应的数据集；
基于所述查询响应的数据集，采用散点图和折线图生成算法转换为图表，结合布局优化算法调整图表，生成可视化图表集；
基于所述可视化图表集，采用三维渲染技术构建交互式三维场景，利用用户界面设计工具进行布局调整，生成三维数据大屏；
基于所述三维数据大屏，采用D3.js展示数据时间，结合交互设计算法，生成动态交互式数据大屏；
基于所述动态交互式数据大屏，结合用户反馈和偏好，采用强化学习算法调整数据布局样式，生成最终个性化数据大屏；
所述结构化数据集包括数据类型标注、数据分类信息，所述大屏草图具体为数据与模板的结合，所述可视化图表集包括图表类型、布局配置、样式设计，所述三维数据大屏包括三维模型、交互功能、用户界面，所述动态交互式数据大屏包括时间轴动画、用户交互事件、动态数据更新。
2.根据权利要求1所述的基于AI大语言模型的数据大屏生成方法，其特征在于，基于行业源数据，采用数据清洗和数据标准化算法，结合BERT模型进行数据解析，生成结构化数据集的步骤具体为：
基于行业源数据，采用正则表达式和去噪算法去除非结构化元素，生成清洗后的数据集；
基于所述清洗后的数据集，采用Z分数标准化和数据编码方法，生成标准化数据集；
基于所述标准化数据集，采用BERT模型进行语义分析和词提取，生成语义解析数据集；
基于所述语义解析数据集，运用实体识别和关系抽取算法，生成结构化数据集。
3.根据权利要求1所述的基于AI大语言模型的数据大屏生成方法，其特征在于，基于所述结构化数据集，利用数据绑定技术提取数据，采用模板匹配算法选择模板，生成大屏草图的步骤具体为：
基于所述结构化数据集，运用模板匹配算法，生成选定模板；
基于所述选定模板，应用数据绑定和映射算法关联视觉元素与数据，生成数据绑定模型；
基于所述数据绑定模型，利用用户界面设计工具对模板进行调整，生成初步的大屏草图；
基于所述初步的大屏草图，结合用户反馈，采用CSS预处理器和布局优化算法进行样式和交互式调整，生成大屏草图。
4.根据权利要求1所述的基于AI大语言模型的数据大屏生成方法，其特征在于，基于所述大屏草图，结合用户提出的自然语言查询，采用GPT模型进行语义理解和信息提取，并通过SQL解析器检索数据，生成查询响应的数据集的步骤具体为：
基于所述大屏草图，使用GPT模型对自然语言查询进行语义解析和识别，生成查询解析报告；
基于所述查询解析报告，应用SQL解析器检索数据库中关联数据，生成数据检索结果；
基于所述数据检索结果，应用数据过滤和排序算法对结果进行调整，生成优化后的数据集；
基于所述优化后的数据集，使用数据映射技术提取数据集，生成查询响应的数据集。
5.根据权利要求1所述的基于AI大语言模型的数据大屏生成方法，其特征在于，基于所述查询响应的数据集，采用散点图和折线图生成算法转换为图表，结合布局优化算法调整图表，生成可视化图表集的步骤具体为：
基于所述查询响应的数据集，采用散点图和折线图生成算法，生成基础图表集；
基于所述基础图表集，应用自动布局优化算法，生成优化布局图表集；
基于所述优化布局图表集，运用数据动态可视化技术，生成动态视觉图表集；
基于所述动态视觉图表集，采用数据驱动设计策略，进行图表风格和配色调整，生成可视化图表集。
6.根据权利要求1所述的基于AI大语言模型的数据大屏生成方法，其特征在于，基于所述可视化图表集，采用三维渲染技术构建交互式三维场景，利用用户界面设计工具进行布局调整，生成三维数据大屏的步骤具体为：
基于所述可视化图表集，采用WebGL，生成初步三维数据场景；
基于所述初步三维数据场景，利用用户界面设计工具，进行布局和交互设计调整，生成优化布局三维数据场景；
基于所述优化布局三维数据场景，采用增强现实技术，生成沉浸式三维数据场景；
基于所述沉浸式三维数据场景，采用分布式计算框架和3D可视化进行数据展示，生成三维数据大屏。
7.根据权利要求1所述的基于AI大语言模型的数据大屏生成方法，其特征在于，基于所述三维数据大屏，采用D3.js展示数据时间，结合交互设计算法，生成动态交互式数据大屏的步骤具体为：
基于所述三维数据大屏，使用D3.js呈现数据时间变化，生成具有时间动态的数据展示；
基于所述具有时间动态的数据展示，采用交互设计算法，生成增强交互的数据大屏；
基于所述增强交互的数据大屏，采用对话式AI和语音识别，生成具有语音交互的数据大屏；
基于所述具有语音交互的数据大屏，采用预测分析和模式识别算法，进行数据提炼分析，生成动态交互式数据大屏。
8.根据权利要求1所述的基于AI大语言模型的数据大屏生成方法，其特征在于，基于所述动态交互式数据大屏，结合用户反馈和偏好，采用强化学习算法调整数据布局样式，生成最终个性化数据大屏的步骤具体为：
基于所述动态交互式数据大屏，采用用户行为分析工具收集交互数据，生成用户交互分析报告；
基于所述用户交互分析报告，采用关联规则分析算法，生成用户行为模式分析结果；
基于所述用户行为模式分析结果，采用强化学习算法，生成界面布局优化模型；
基于所述界面布局优化模型，采用前端框架和库与WebSocket调整界面布局，生成最终个性化数据大屏。
9.基于AI大语言模型的数据大屏生成系统，其特征在于，根据权利要求1-8任一项所述的基于AI大语言模型的数据大屏生成方法，所述系统包括数据处理模块、模板选择模块、查询处理模块、图表生成模块、三维数据场景模块、交互优化模块。
10.根据权利要求9所述的基于AI大语言模型的数据大屏生成系统，其特征在于，所述数据处理模块基于行业源数据，采用正则表达式和去噪算法清洗数据，通过BERT模型进行语义解析，生成结构化数据集；
所述模板选择模块基于结构化数据集，运用模板匹配算法选取模板，通过数据绑定和映射算法进行视觉元素关联，生成大屏草图；
所述查询处理模块基于大屏草图，采用GPT模型对自然语言查询进行解析，通过SQL解析器检索关联数据，生成查询响应的数据集；
所述图表生成模块基于查询响应的数据集，采用散点图和折线图生成算法创建基础图表，运用动态可视化技术调整视觉展示，生成动态视觉图表集；
所述三维数据场景模块基于动态视觉图表集，利用WebGL构建初步三维数据场景，结合增强现实技术增强场景交互性，生成沉浸式三维数据场景；
所述交互优化模块基于沉浸式三维数据场景，采用D3.js动态展示数据变化，结合强化学习算法和前端框架调整布局样式，生成最终个性化数据大屏。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410003903.9A CN117493427B (zh) | 2024-01-03 | 2024-01-03 | 基于ai大语言模型的数据大屏生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410003903.9A CN117493427B (zh) | 2024-01-03 | 2024-01-03 | 基于ai大语言模型的数据大屏生成方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117493427A CN117493427A (zh) | 2024-02-02 |
| CN117493427B true CN117493427B (zh) | 2024-03-29 |
Family
ID=89674752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410003903.9A Active CN117493427B (zh) | 2024-01-03 | 2024-01-03 | 基于ai大语言模型的数据大屏生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117493427B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117806585A (zh) * | 2024-02-29 | 2024-04-02 | 山东京运维科技有限公司 | 基于智能终端的屏幕控制方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821287A (zh) * | 2023-08-28 | 2023-09-29 | 湖南创星科技股份有限公司 | 基于知识图谱和大语言模型的用户心理画像系统及方法 |
| CN117149804A (zh) * | 2023-08-17 | 2023-12-01 | 南京领行科技股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210042662A1 (en) * | 2019-08-06 | 2021-02-11 | Ninghua Albert Pu | Interactive Information Capture and Retrieval with User-Defined and/or Machine Intelligence Augmented Prompts and Prompt Processing |
-
2024
- 2024-01-03 CN CN202410003903.9A patent/CN117493427B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117149804A (zh) * | 2023-08-17 | 2023-12-01 | 南京领行科技股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN116821287A (zh) * | 2023-08-28 | 2023-09-29 | 湖南创星科技股份有限公司 | 基于知识图谱和大语言模型的用户心理画像系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117493427A (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8296666B2 (en) | System and method for interactive visual representation of information content and relationships using layout and gestures | |
| CN117493427B (zh) | 基于ai大语言模型的数据大屏生成方法及系统 | |
| CN106796578A (zh) | 知识自动化系统 | |
| CA3179300C (en) | Domain-specific language interpreter and interactive visual interface for rapid screening | |
| KR101773574B1 (ko) | 데이터 테이블의 차트 시각화 방법 | |
| US8229735B2 (en) | Grammar checker for visualization | |
| CN112199086A (zh) | 自动编程控制系统、方法、装置、电子设备及存储介质 | |
| US11836172B2 (en) | Facilitating generation of data visualizations via natural language processing | |
| EP1667041A2 (en) | System and method for interactive visual representation of information content and relationships using layout and gestures | |
| JP2020017277A (ja) | グラフィックインタフェースに基づく、イベント動作をプログラミングするｗｅｂレポーティングデザインシステム | |
| Lu et al. | Frontier of information visualization and visual analytics in 2016 | |
| KR101910179B1 (ko) | 데이터 시각화를 위한 웹 기반 차트 라이브러리 시스템 | |
| CN110083684A (zh) | 面向细粒度情感的可解释推荐模型 | |
| CN111782764B (zh) | 一种交互式nl2sql模型的可视理解与诊断方法 | |
| Qu et al. | Research on visual data mining technology | |
| KR102322786B1 (ko) | 전자문서의 관계기반 저작관리방법 및 저작관리시스템 | |
| Bako et al. | Streamlining Visualization Authoring in D3 Through User-Driven Templates | |
| Anderson et al. | Visualization of search results of large document sets | |
| KR20160090178A (ko) | 마인드맵 기반의 대화형 콘텐츠 구축 방법 | |
| KR20190011186A (ko) | 데이터 시각화를 위한 웹 기반 차트 라이브러리 시스템 | |
| CN117634605A (zh) | 一种基于知识图谱的岭南文化可视化展示方法及系统 | |
| Wang et al. | Implementation of Art Design Optimization Algorithm Based on Big Data and CAD Technology | |
| CN117708448A (zh) | 基于web渲染引擎的组态图形插件配置和展示实现方法 | |
| Li et al. | Machine learning for a citizen data scientist: an experience with JMP | |
| Miao | Website UI Design Interactivity and Interface Visual Design Based on Improved DFA Algorithm |
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 |