【技术实现步骤摘要】
本专利技术涉及软件开发，具体地说是基于深度学习的数据分析与可视化图表推荐方法及系统。
技术介绍
1、在软件开发行业中，针对不同的数据进行可视化展示的效果参差不齐，由于数据的多变性和数据分析的多维度性导致用户针对相同数据的期望展示效果不一，由此产生了数据和可视化图表的一对多的关系，导致用户需求和开发结果不一致。目前的软件开发行业中针对数据可视化的开发，由于每个月份数据的变化性和出于数据分析的需求不同，单一的数据可视化展示形式已经无法适应用户复杂的业务需求，不再满足用户要求的多维度数据可视化要求。
技术实现思路
1、本专利技术的技术任务是针对以上不足之处，提供基于深度学习的数据分析与可视化图表推荐方法及系统，即可以帮助用户梳理杂乱的数据，得到规律、可靠、稳定的数据，得到一组数据的规律性特征，又可以帮助用户实现数据的可视化展示，利于用户对于数据的判断、分析、二次利用。
2、本专利技术解决其技术问题所采用的技术方案是：
3、基于深度学习的数据分析与可视化图表推荐方法，该方法的实现包括：
4、通过构建深度神经网络模拟人脑的行为，使得机器能够识别、解释数据、分析数据并能得到一系列数据的公有特征；
5、根据用户的校准，记录用户的部分使用习惯并与数据特征相关联，并存储为用户个人信息的键值对数据；
6、构建数据特征的字典库，将数据特征参照内置指标数值形成二进制字段并进行存储；构建用户行为的字典库，将用户习惯参照内置指标数值转化为二进制的字段
7、构建纯函数得到符合用户使用习惯和期望的数据可视化图表类型以及符合概率；
8、得到最符合用户需求的数据图表类型。
9、本方法利用深度学习技术和大模型技术学习用户行为对于用户需要的可视化图表的影响，并根据用户原始数据、数据期望、用户行为等影响因素得到针对用户原始数据和内置图标库的关系指标，并根据关系指标的大小利用纯工具函数得到该可视化图表的配置文件，进一步得到生成供给用户展览的可视化图表。
10、进一步的，该方法的具体实现步骤如下：
11、1)利用开源的keras实现深度神经网络，利用大数据进行模型训练，实现根据用户数据得到符合要求的数据特征；其中，keras是一个由python编写的开源人工神经网络库，可以作为高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化；
12、2)根据用户输入的数据期望和个人行为习惯形成键值对存储为用户的个人信息属性；
13、3)制定数据特征和用户行为的权重值；
14、4)构建数据特征的字典库，针对数据特征制定二进制数字的形式权重值；
15、5)构建用户行为字典库，针对用户行为制定二进制数字的形式权重值；
16、6)实现根据用户的数据和用户对数据的期望以及针对用户形成的用户个人属性得到该数据的一般性数据特征的纯函数；
17、7)得到用户符合用户预期的可视化图表。
18、进一步的，步骤1)中，所述符合要求的数据特征，是指依据用户的期望和个人信息属性在字典库的加权计算下初步得到的具有规律性的数据特征。
19、进一步的，步骤2)中，所述数据期望，是指用户根据字典库的权重要求评估自己对数据特征的权重值。
20、进一步的，步骤3)中，所述的权重值，指的是系统内部在大量数据训练后得到的、符合大多数的用户行为与期望而得到的数据特征之间的关系系数；比如用户对复杂数据做了排序的操作，我们推测认为用户希望得到进行一个纵观的概览数据，期望进行总体数值大小对比，经过大量数据的校验我们把推测得到的结果的准确值和真实值之间相吻合的概率称之为权重系数。
21、进一步的，步骤4)和步骤5)中，所述字典库，指的是系统内部制定的根据数据特征、用户行为认定该数据、行为指向某种可视化图表的关系；
22、二进制指的是计数方式，使用二进制方式可以更好的进行加权后权重计算。
23、进一步的，步骤6)中，所述纯函数，是指输出参数只依赖于输入参数，且在执行过程中不会产生任何副作用，也不会修改或依赖任何外部状态的js执行方法。
24、进一步的，步骤7)中，所述符合用户预期，是指在系统内部字典值、用户行为、用户数据等条件作用下系统认为的最佳结果。
25、本专利技术还要求保护基于深度学习的数据分析与可视化图表推荐系统，包括：
26、获取公有特征模块，利用keras等深度学习技术和大模型技术，得到针对一系列数据的一般普遍特征；
27、构建字典库模块，根据社会调研和用户需求分析得到系统内部的针对用户数据期望和用户行为的字典库；
28、可视化图表模块，在字典值的作用下，将用户行为、数据期望等再次进行加权计算，配合原始数据得到符合用户预期的数据图表类型，并通过纯函数工具得到该数据图表的配置文件，从而进一步得到用户需要的可视化图表；
29、该系统具体通过上述的基于深度学习的数据分析与可视化图表推荐方法得到最终可视化图表。
30、本专利技术还要求保护基于深度学习的数据分析与可视化图表推荐装置，包括至少一个存储器和至少一个处理器；
31、所述至少一个存储器，用于存储机器可读程序；
32、所述至少一个处理器，用于调用所述机器可读程序，实现上述的方法。
33、本专利技术的基于深度学习的数据分析与可视化图表推荐方法及系统与现有技术相比，具有以下有益效果：
34、1、该技术方案可以在开发端满足用户的需求，在保证大数据训练的基础上根据用户的部分操作行为预测将来需要的数据图表类型，也可以在用户干预学习该用户的思考行为，实现多维度可变化的可视化图表分析工具；
35、2、该技术方案可以在开发端节省代码量，不再需要针对相同数据书写多种不同的数据处理方法得到不同的数据结构，不再需要前端书写多个数据图表；
36、3、该技术方案可以一定程度上代替低代码工具，实现在用户的干预下展示不同的图表的功能，达到系统集成的功能。
本文档来自技高网...【技术保护点】
1.基于深度学习的数据分析与可视化图表推荐方法，其特征在于，该方法的实现包括：
2.根据权利要求1所述的基于深度学习的数据分析与可视化图表推荐方法，其特征在于，该方法的具体实现步骤如下：
3.根据权利要求2所述的基于深度学习的数据分析与可视化图表推荐方法，其特征在于，步骤1)中，所述符合要求的数据特征，是指依据用户的期望和个人信息属性在字典库的加权计算下初步得到的具有规律性的数据特征。
4.根据权利要求2所述的基于深度学习的数据分析与可视化图表推荐方法，其特征在于，步骤2)中，所述数据期望，是指用户根据字典库的权重要求评估自己对数据特征的权重值。
5.根据权利要求2或4所述的基于深度学习的数据分析与可视化图表推荐方法，其特征在于，步骤3)中，所述的权重值，指的是系统内部在大量数据训练后得到的、符合大多数的用户行为与期望而得到的数据特征之间的关系系数。
6.根据权利要求2所述的基于深度学习的数据分析与可视化图表推荐方法，其特征在于，步骤4)和步骤5)中，所述字典库，指的是系统内部制定的根据数据特征、用户行为认定该数据、行为
7.根据权利要求2所述的基于深度学习的数据分析与可视化图表推荐方法，其特征在于，步骤6)中，所述纯函数，是指输出参数只依赖于输入参数，且在执行过程中不会产生任何副作用，也不会修改或依赖任何外部状态的JS执行方法。
8.根据权利要求1或2所述的基于深度学习的数据分析与可视化图表推荐方法，其特征在于，步骤7)中，所述符合用户预期，是指在系统内部字典值、用户行为、用户数据条件作用下系统认为的最佳结果。
9.基于深度学习的数据分析与可视化图表推荐系统，其特征在于，包括：
10.基于深度学习的数据分析与可视化图表推荐装置，其特征在于，包括至少一个存储器和至少一个处理器；
...【技术特征摘要】
1.基于深度学习的数据分析与可视化图表推荐方法，其特征在于，该方法的实现包括：
2.根据权利要求1所述的基于深度学习的数据分析与可视化图表推荐方法，其特征在于，该方法的具体实现步骤如下：
3.根据权利要求2所述的基于深度学习的数据分析与可视化图表推荐方法，其特征在于，步骤1)中，所述符合要求的数据特征，是指依据用户的期望和个人信息属性在字典库的加权计算下初步得到的具有规律性的数据特征。
4.根据权利要求2所述的基于深度学习的数据分析与可视化图表推荐方法，其特征在于，步骤2)中，所述数据期望，是指用户根据字典库的权重要求评估自己对数据特征的权重值。
5.根据权利要求2或4所述的基于深度学习的数据分析与可视化图表推荐方法，其特征在于，步骤3)中，所述的权重值，指的是系统内部在大量数据训练后得到的、符合大多数的用户行为与期望而得到的数据特征之间的关系系数。
<...【专利技术属性】
技术研发人员：张乃峰，薛兵，徐宏伟，国靖，
申请(专利权)人：浪潮卓数大数据产业发展有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。