一种基于多维数据特征融合与规则引擎的图表选择方法与流程

本发明涉及人工智能技术及教育信息化，尤其涉及一种基于多维数据特征融合与规则引擎的图表选择方法。

背景技术：

1、随着高校教育信息化和大数据技术的发展，高校在教学评估、就业质量跟踪、学生满意度调查等场景中积累了海量的调查问卷数据和统计指标数据。将这些一维扁平化的统计数据转化为直观的可视化图表，并嵌入分析报告，已成为教育数据驱动决策的核心需求。

2、目前，将统计数据转化为可视化图表的技术方案主要通过规则引擎模式，预先编写少量条件判断规则，当输入数据命中预设条件时输出对应的图表类型。

3、然而，在简单规则引擎模式下，高校教育数据结构千变万化，固定条件判断规则无法穷举所有边界情况，遇到未预设的数据组合时系统直接输出错误图表或崩溃，需开发人员反复修改底层代码。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于多维数据特征融合与规则引擎的图表选择方法，旨在解决上述至少一个技术问题。

2、本发明解决上述技术问题的技术方案如下：

3、本技术提供一种基于多维数据特征融合与规则引擎的图表选择方法，采用如下技术方案：

4、一种基于多维数据特征融合与规则引擎的图表选择方法，包括：

5、s101，获取待可视化一维统计数据，提取所述待可视化一维统计数据的多维数据特征，所述待可视化一维统计数据包括指标对象名称、指标名称、数值、单位、维度字段及参照系字段；

6、s102，基于所述多维数据特征和预设的语义分析模型，对所述待可视化一维统计数据进行意图识别，确定数据意图；

7、s103，基于所述数据意图、维度类型特征和预设的维度角色分配规则，确定类目轴和系列轴；

8、s104，基于所述类目轴的维度数、所述系列轴的维度数、所述数据意图和参照系有无及数据规模，通过规则引擎中的预设的决策表确定目标图表类型及可配置项，所述目标图表类型限定为饼图、条形图、折线图、雷达图、热力图和表格；

9、s105，基于所述类目轴和系列轴对应的维度枚举值，确定行排序规则和列排序规则，并按照所述行排序规则和列排序规则对所述待可视化一维统计数据进行排序；

10、s106，基于排序后的数据、所述类目轴、所述系列轴、所述行排序规则、所述列排序规则及参照系名称，对所述类目轴的维度枚举值和所述系列轴的维度枚举值进行组合运算生成行列坐标系，将所述待可视化一维统计数据中的各数据点按维度坐标映射至对应的二维矩阵单元格中，生成结构化的二维矩阵表格，并基于所述目标图表类型、所述可配置项和所述二维矩阵表格，生成可视化图表配置。

11、在上述技术方案的基础上，本发明还可以做如下改进。

12、进一步，待可视化一维统计数据为扁平化json格式数据，所述多维数据特征包括维度数量特征、维度类型特征、数值类型特征、数据规模特征、参照系特征和语义特征；

13、所述提取所述待可视化一维统计数据的多维数据特征，包括：

14、统计所述维度字段的键值对数量，得到维度数量特征，所述维度数量特征包括零维、一维和二维及以上；

15、对所述维度字段的维度名称进行语义分析，以及对维度值进行模式匹配，确定维度类型特征，所述维度类型特征包括时间型维度、分类型维度和选项型维度；

16、从所述待可视化一维统计数据的单位字段中获取数值的单位信息，确定数值类型特征，所述数值类型特征包括百分比型、绝对值型和比率型；

17、统计各维度的唯一值数量，确定数据规模特征，所述数据规模特征包括类目数量、系列数量和组合总数；

18、检查参照系字段是否包括对比基准数据，得到参照系特征，所述参照系特征分为有参照系和无参照系；

19、基于大语言模型对所述指标对象名称字段和指标名称字段中的文本内容进行语义理解，确定语义特征。

20、进一步，所述数据意图为占比/构成、对比/排名、趋势/变化、结构/交叉分布或画像/多指标综合对比，所述基于所述多维数据特征和预设的语义分析模型，对所述待可视化一维统计数据进行意图识别，确定数据意图，包括：

21、当所述待可视化一维统计数据的维度类型为选项型维度、数值单位为百分比且各选项数值之和在预设百分比区间内时，确定数据意图为占比/构成；

22、当所述待可视化一维统计数据的维度类型为分类型维度、包含多个离散对象且维度不具有时间序列属性时，确定数据意图为对比/排名；

23、当所述待可视化一维统计数据的维度类型为时间型维度且时间点数量大于或等于3时，确定数据意图为趋势/变化；

24、当所述待可视化一维统计数据存在两个及以上维度、且各维度均有多个枚举值时，确定数据意图为结构/交叉分布；

25、当所述待可视化一维统计数据包含三个及以上不同的指标名称且所述指标名称衡量同一对象的不同侧面时，确定数据意图为画像/多指标综合对比。

26、进一步，所述预设的维度角色分配规则，包括：

27、若所述维度字段为空，则确定类目轴为空数组，系列轴为固定字符串指标名称；

28、若所述维度字段的键数为1，则判断唯一维度是否为分类或分组对象，若唯一维度为分类或分组对象，则将所述唯一维度作为类目轴，系列轴用固定字符串指标名称补齐；若所述唯一维度为可对比的系列类型，则将唯一维度作为系列轴，类目轴用固定字符串指标名称补齐；

29、若所述维度字段的键数大于或等于2，则将离散分类维度分配至类目轴，将时间维度及剩余维度分配至系列轴；当图表类型为折线图时，将时间维度优先放入类目轴；

30、其中，所有来自维度集的维度均被使用且仅出现一次，不允许同一维度同时出现在类目轴和系列轴中。

31、进一步，所述预设的维度角色分配规则还包括：

32、当所述一维统计数据中存在参照系时，所述参照系至少有一个维度作为类目轴的成员，其他维度全部放入系列轴，以将最具对比价值的离散维度作为系列轴；

33、当维度数大于或等于3时，禁止将具有从属关系的维度拆分到类目轴和系列轴两轴，若当前维度与已有的分类维度有逻辑关系，则将当前维度放入类目轴，若当前维度与已有的系列维度有逻辑关系，则将当前维度放入系列轴；

34、当图表类型为表格且类目轴维度数大于或等于2时，将其中一个离散维度移动到系列轴。

35、进一步，所述将所述待可视化一维统计数据中的各数据点按维度坐标映射至对应的二维矩阵单元格中，生成结构化的二维矩阵表格，包括：

36、基于所述类目轴对应的维度枚举值，按照所述行排序规则生成行索引序列；基于所述系列轴对应的维度枚举值，按照所述列排序规则生成列索引序列；

37、对所述行索引序列和所述列索引序列进行组合运算，生成行列坐标系，所述行列坐标系中的每个坐标位置对应所述二维矩阵表格中的一个单元格；

38、遍历所述排序后的一维统计数据中的各数据点，提取每个数据点中类目轴维度字段的取值和系列轴维度字段的取值，确定所述数据点在所述行列坐标系中的目标坐标位置，将所述数据点的数值填入所述目标坐标位置对应的单元格中；

39、判断所述一维统计数据中是否存在参照系数据点，若存在，则将所述参照系数据点的参照系名称作为独立的行标识或列标识追加至所述行列坐标系中，并将所述参照系数据点的数值填入对应的单元格中；

40、对所述二维矩阵表格进行空值检测，剔除数值全部为空的行和列，生成结构化二维矩阵表格。

41、进一步，还包括：

42、获取用户登录信息，所述用户登录信息包括当前操作用户的身份标识、历史浏览行为数据、操作场景和操作模式，所述操作模式包括普通模式和自适应调整模式；

43、若所述操作模式为普通模式，则执行s101至s106；

44、若所述操作模式为自适应调整模式，则基于当前操作用户的身份标识、历史浏览行为数据和操作场景对所述规则引擎中对应图表类型的激活阈值进行调整，并基于调整后的决策表确定目标图表类型及其可配置项。

45、进一步，所述历史浏览行为数据包括图表类型手动切换记录、类目轴枚举值拖拽重排记录、图表区域鼠标悬停驻留时长、页面滚动速率及图表导出记录；所述当前操作场景类型包括报告交付型场景、分析型场景、监控型场景和教学演示型场景；

46、所述基于当前操作用户的身份标识、历史浏览行为数据和操作场景对所述规则引擎中对应图表类型的激活阈值进行调整，包括：

47、将所述当前操作用户的每一次手动图表类型切换行为和类目轴枚举值拖拽重排行为记录为偏好样本，所述偏好样本以三元组形式存储，所述三元组包括数据指纹、用户操作和操作时间戳；所述数据指纹包括触发行为时的数据意图类别、类目数量区间、系列数量区间、是否存在参照系及是否为时间序列数据；所述用户操作包含切换前的第一图表类型和切换后的第二图表类型；

48、基于所述历史浏览行为数据，统计预设时间内各行为类型出现的次数占总操作次数的比例，并基于距离最近一次行为发生的时间间隔进行指数衰减，计算各行为类型的行为置信度；

49、当所述行为置信度大于或等于预设行为置信度阈值时，判定该行为类型对应的偏好样本有效；

50、对判定为有效的偏好样本，获取偏好样本对应的第二图表类型，基于第二图表类型在当前用户历史中的偏好强度、当前数据指纹与该偏好样本数据指纹的相似度以及预设最大扰动系数，计算调整幅度；

51、基于所述调整幅度，将第二图表类型在决策表中的匹配条件向预设方向调整，调整后的匹配条件在预设的允许调整区间内；

52、基于调整后的匹配条件，重新执行所述规则引擎的决策表匹配，确定目标图表类型及可配置项。

53、进一步，获取操作模式，包括：

54、响应于用户的自动开启指令，基于所述历史浏览行为数据和预设的偏好计算公式，实时计算当前操作用户的偏好势能；

55、当所述偏好势能不小于第一预设阈值时，将所述操作模式切换至所述自适应调整模式；当所述偏好势能不大于第二预设阈值时，将所述操作模式回退至所述普通模式并清除已积累的激活阈值扰动量，所述第二预设阈值小于所述第一预设阈值；当所述偏好势能大于所述第二预设阈值且小于所述第一预设阈值时，维持当前操作模式不变；

56、或，

57、响应于用户的手动开启指令，将所述操作模式设置为所述自适应调整模式；

58、或，

59、响应于用户的手动关闭指令，将所述操作模式设置为所述普通模式。

60、进一步，所述第一预设阈值和所述第二预设阈值基于切换倾向值确定，所述确定切换倾向值方法，包括：

61、基于待可视化一维统计数据的组合总数归一化值、所述语义分析模型对待可视化一维统计数据进行意图识别的置信度评分、待可视化一维统计数据指纹与用户历史偏好样本库中所有数据指纹的最大相似度以及待可视化一维统计数据的数据分布特征，确定数据形态评分，所述待可视化一维统计数据指纹是基于所述多维数据特征确定的；

62、基于所述当前操作场景类型，确定场景目标评分；

63、基于当前设备资源占用率、当前网络延迟、同一看板并发用户数和当前报告发布状态，确定环境约束评分；

64、对所述偏好势能进行归一化处理，得到用户行为评分；

65、基于所述数据形态评分、场景目标评分、环境约束评分和用户行为评分，确定切换倾向值；

66、基于待可视化一维统计数据的记录条数，确定数据量修正因子，并基于所述数据量修正因子对所述切换倾向值进行修正，得到修正后的切换倾向值；

67、当修正后的切换倾向值大于或等于第一预设倾向阈值时，将所述操作模式切换至所述自适应调整模式；当所述修正后的切换倾向值小于或等于第二预设倾向阈值时，将所述操作模式切换至所述普通模式；否则维持当前操作模式。

68、进一步，在执行所述规则引擎参数扰动之前，还包括：

69、基于所述待可视化一维统计数据的数据规模特征、维度类型特征和目标图表类型进行硬约束校验，当所述数据规模特征或维度类型特征与所述偏好样本指向的图表类型之间存在预设的不兼容条件时，拒绝偏好样本的调整资格并终止后续调整流程；

70、基于待可视化一维统计数据指纹与所述偏好样本中记录的数据指纹，计算各维度分量的匹配值，并对所述各维度分量的匹配值按预设维度权重进行加权平均，得到加权相似度；当所述加权相似度大于或等于预设准入相似度阈值时，对应的偏好样本获得调整资格；

71、对获得调整资格的偏好样本，按照从高到低的多级优先级进行逐层裁决，高优先级层的判定结果对低优先级层具有强制约束力，其中：

72、数据物理极限约束层的优先级最高，当所述硬约束校验触发时强制回退至所述普通模式下的固定激活阈值匹配结果；

73、场景强制规则层的优先级次之，基于所述当前操作场景类型对所述偏好样本的可扰动范围施加约束，对于预设的强约束场景类型禁止对图表类型激活阈值进行扰动；

74、用户偏好时效层按照偏好样本从操作时间戳起算的存在时间进行分级，存在时间越长且一致性越高的偏好样本对应的调整幅度生效比例越大，存在时间越短的偏好样本对应的调整幅度生效比例越小。

75、进一步，所述基于第二图表类型在当前用户历史中的偏好强度、当前数据指纹与该偏好样本数据指纹的相似度以及预设最大扰动系数，计算调整幅度，包括：

76、统计预设第一时间窗口内，用户从所述规则引擎推荐的第一图表类型手动切换至第二图表类型的累计次数，以及用户所有图表操作的总次数，基于所述累计次数和所述总次数，确定切换频率；

77、统计所述预设第一时间窗口内，用户从所述第一图表类型切换至所述第二图表类型的次数占用户所有图表切换行为总次数的比例，得到切换比例；

78、若所述切换比例大于预设一致性阈值，则基于所述切换频率和切换比例计算基础偏好强度；

79、统计预设第三时间窗口内各图表类型被用户导出的累计次数，并基于所述累计次数，确定各图表类型的导出偏好权重；

80、当所述第二图表类型对应的导出偏好权重大于预设导出偏好阈值时，则基于预设增益系数和所述基础偏好强度，确定最终偏好强度；

81、基于所述最终偏好强度、当前数据指纹与该偏好样本数据指纹的相似度以及预设最大扰动系数，确定调整幅度。

82、综上，本发明的有益效果是：

83、1、本发明通过融合数据特征提取、语义意图识别、维度角色分配、规则化选型及一维到二维数据转换的完整流程，构建了一个自动化的图表生成流水线。这一自动化方案提升了教育数据分析报告等场景的生产效率，更重要的是，他消除了不同人员因经验差异导致的图表选择不一，保障了同一数据在不同报告或同一系列报告中的可视化呈现具有专业且统一的样式。

84、2、本发明还通过语义分析模型深入理解数据背后隐含的意图，通过对目标数据的多维数据特征的综合分析，并结合预设的语义分析模型对大语言模型的使用，能够进行意图识别，从而准确匹配最能反映数据本质的可视化形式。这种结合“数据客观结构”与“主观分析意图”的机制，使得图表推荐脱离了僵硬的规则或黑盒般的模型输出，决策过程更具业务合理性且可解释，尤其适应了高校教育场景下数据结构多变、分析需求多样化的特点。

85、3、本发明构建了一个基于预设的决策表的规则引擎，将复杂的选图逻辑结构化、显式化，确保了决策的确定性、可维护性和可扩展性。通过预设的维度角色分配规则，能够智能地确定类目轴和系列轴，并在涉及参照系时，应用参照系最小化等原则进行优化。这些规则共同作用，有效规避了传统方案中常见的图例/系列爆炸、坐标轴过于拥挤、对比基准列大量冗余等问题。能够根据数据规模、维度关系等特征，动态调整图表类型和配置，甚至必要时降级为表格，从而在设计层面就确保了生成图表的信息传达效率与视觉可读性。

86、4、本发明引入基于用户行为偏好的自适应模式。通过分析用户的历史浏览行为数据，能够学习用户偏好，并据此对规则引擎中对应图表类型的激活阈值进行调整，从而在后续为类似数据推荐更符合该用户习惯的图表类型。这种在标准规则基础上叠加个性化微调的机制，使得既能保持核心推荐逻辑的客观与稳定，又能适应用户的个性化使用习惯，增强了易用性和用户满意度。