基于大模型解读报表的方法和计算设备与流程

摘要: 本技术涉及数据处理和人工智能,尤其涉及一种基于大模型解读图表的方法及计算设备。背景技术:1、随着商业智能(businessintelligence,bi)技术的...
基于大模型解读报表的方法和计算设备与流程

本技术涉及数据处理和人工智能,尤其涉及一种基于大模型解读图表的方法及计算设备。

背景技术:

1、随着商业智能(business intelligence,bi)技术的快速发展,报表和图表已成为企业数据可视化与决策支持的核心载体。然而,现有的bi工具大多侧重于数据的展示与基础可视化,缺乏对报表及图表内容的自动化深度解读能力。面对包含多维度、多指标及复杂组合的报表时,用户往往难以快速洞察数据背后的业务含义、趋势规律及异常原因,存在“看得见图表,看不懂洞察”的技术痛点。

2、为了解决上述问题,现有技术中引入了大语言模型(llm)辅助进行图表解读。目前主流的基于大语言模型的解读方案主要分为两类:一类是端到端的llm驱动方案,另一类是结合取数任务与分析任务的llm驱动方案。尽管这些方案在一定程度上利用了大语言模型的自然语言理解与逻辑推理能力,但在实际应用中仍存在显著的技术缺陷。

3、首先,在端到端的llm驱动方案中,通常直接将图表已有的可视化数据或表格数据作为输入,完全依赖大语言模型进行数据分析与报告生成。由于大语言模型本质上是一种基于概率预测的生成式模型,其并不具备精确的数值计算能力。当模型被要求对图表数据进行趋势分析、同环比计算或异常检测时,模型往往会基于其训练数据中的统计规律进行“幻觉”式编造,而非执行确定的数学运算。这种技术手段直接导致生成的解读报告中核心指标数值错误、计算结果不可信,无法满足业务场景对数据准确性的基本要求。此外,大语言模型的上下文窗口长度有限,而实际业务报表往往包含海量数据点、长时间序列或多个关联图表。将完整数据直接输入模型会超出其上下文处理能力,迫使现有技术不得不截断或采样数据,从而导致分析范围受限,遗漏关键信息,无法形成全面、系统的业务洞察。同时,该类方案仅停留在对表面数据的描述性分析,缺乏调用专业统计学算法(如分布分析、维度下钻等)的能力,导致解读深度不足,难以挖掘数据深层的模式与规律。

4、其次,在结合取数任务与分析任务的llm驱动方案中,虽然尝试通过大语言模型生成查询指令(如 sql)来获取数据并生成代码进行分析,但其生成取数任务的机制存在严重缺陷。具体而言,现有技术在利用大语言模型生成取数指令时,通常仅依据用户的自然语言提问,这使得大语言模型无法自动感知前端图表的约束信息,其生成的查询指令往往与图表中的数据不匹配。这导致的直接后果是:从数据库中新获取的数据集与用户在界面上看到的图表数据在范围、口径上完全不一致。例如,用户查看的是"2023 年华东地区”的筛选后数据,而模型生成的取数任务却拉取了“全量历史数据”。这种数据错配使得后续的分析和解读建立在错误的数据基础之上,导致解读内容与实际展示的图表脱节,不仅使得“报表解读”失去意义,更严重影响了决策的可信度。

5、此外,上述两类现有方案均未能有效还原报表制作者的设计意图。报表的元数据中通常隐含了特定的分析思路和业务逻辑(如指标定义的口径、维度组合的业务含义等),而现有技术单纯依赖大语言模型的通用推理能力,缺乏对这部分特定业务上下文的结构化引用机制。这导致生成的解读内容往往泛化严重,无法契合具体的业务场景和报表设计的初衷,难以提供具有实际指导价值的决策建议。

技术实现思路

1、本技术提供了一种基于大模型解读图表的方法及计算设备,用以解决现有技术中大模型解读图表时存在的数据幻觉、取数与图表数据不一致、缺乏专业分析能力等问题。

2、本说明书实施例第一方面提供一种基于大模型解读图表的方法,包括以下步骤:

3、响应于用户的解读请求,获取与目标图表对应的元数据;

4、通过大模型,基于所述解读请求、目标图表和所述元数据,生成并执行取数任务,得到补充数据,所述取数任务用于从数据库查询数据;

5、通过大模型,基于所述补充数据,得到对目标图表的解读结果。

6、在一种实施方式中,所述元数据包括目标图表的以下至少一项信息:图表类型、筛选条件、时间范围及维度配置;

7、所述生成并执行取数任务,包括:将所述元数据作为查询约束条件生成数据查询指令,执行所述数据查询指令,得到与所述目标图表展示范围一致的补充数据。

8、在一种实施方式中,所述的方法还包括:

9、识别目标图表的图表特征,所述图表特征包括数据密度和图表类型中的至少一项;

10、所述通过大模型,基于所述解读请求、目标图表和所述元数据,生成并执行取数任务包括,当所述图表特征指示数据密度低于预设阈值时,通过大模型,基于所述解读请求、目标图表和所述元数据,生成并执行取数任务,

11、所述若干任务还包括:

12、当所述图表特征指示数据密度处于预设范围且包含目标信息时,从所述目标图表获取数据;

13、当所述图表特征指示数据密度高于预设阈值时,生成用于处理数据的代码,使用所述代码处理所述目标图表中的数据。

14、在一种实施方式中,所述通过大模型,基于所述补充数据,得到对目标图表的解读结果包括:

15、通过执行由大模型生成的数据处理代码或预设算法,对目标图表的数据和所述补充数据进行处理,得到结构化结果;

16、所述通过大模型,基于所述结构化结果,得到对目标图表的解读结果。

17、在一种实施方式中,所述目标图表为报表中的图表,所述获取与目标图表对应的元数据包括:获取所述报表的上下文,所述上下文包括所述报表的所述元数据和分析思路,

18、所述通过大模型,基于所述解读请求、目标图表和所述元数据,生成并执行取数任务,包括:

19、通过大模型,基于所述解读请求和所述分析思路生成分析框架;

20、通过大模型,基于目标图表、所述解读请求、所述上下文和所述分析框架,生成若干任务,确定各个任务的任务类型和任务参数,所述若干任务中包括所述取数任务;

21、根据各个任务的任务类型和任务参数执行所述若干任务。

22、在一种实施方式中,所述分析框架包括以下至少一项内容:分析视角、与分析视角对应的分析维度、各分析维度的输出。

23、在一种实施方式中,所述通过大模型,基于目标图表、所述解读请求、所述上下文和所述分析框架,生成若干任务,包括:基于所述元数据校验各目标图表间的数据口径一致性;

24、通过大模型,基于所述解读请求、校验后的多个目标图表、所述上下文和所述分析框架,生成并执行若干任务。

25、在一种实施方式中,所述若干任务包括跨图表关联分析任务。

26、在一种实施方式中,所述分析思路包括以下至少一项:报表制作者提供的分析思路、所述用户提供的分析思路。

27、在一种实施方式中,所述上下文还包括以下至少一项:与所述报表对应的历史解读数据和业务知识。

28、在一种实施方式中,所述执行由大模型生成的数据处理代码或预设算法,包括:

29、将所述大模型生成的数据处理代码部署至隔离的沙箱环境中;

30、在所述沙箱环境中执行所述数据处理代码,对目标图表的数据和所述补充数据进行处理,得到结构化结果。

31、在一种实施方式中,所述预设算法包括以下至少一种科学算子:

32、用于识别数据分布特征及离群点的分布分析算子与异动检测算子;

33、用于深入挖掘数据层级关系的维度下钻算子;

34、用于计算指标间关联强度的相关性分析算子;

35、用于对比不同时间段或不同群体数据差异的同环比分析算子与占比分析算子。

36、本说明书第二方面提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行第一方面所述的方法。

37、本说明书第三方面提供一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现第一方面所述的方法。

38、本说明书第四方面提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现第一方面所述方法的步骤。

39、通过本说明书实施例方案,通过基于报表元数据进行取数,确保了取数任务与当前图表视图的严格对齐,消除了数据错配风险。