CN117668331A - 基于ai模型的数据可视化方法、装置、设备及介质 - Google Patents

Abstract

本申请公开了一种基于AI模型的数据可视化方法、装置、设备及介质，本申请属于互联网技术领域。该方法包括：获取用户的历史行为信息；将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出结果，确定用户的关注数据；根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略；基于所述可视化策略，对所述关注数据进行动态可视化展示。本技术方案，通过将历史行为信息输入至预先训练的AI模型，可以确定用户感兴趣的数据，通过确定可视化策略并进行动态可视化展示，可以帮助用户快速获取关键信息，并帮助用户分析关键信息，优化用户的浏览体验。

Description

基于AI模型的数据可视化方法、装置、设备及介质

技术领域

本申请属于互联网技术领域，具体涉及一种基于AI模型的数据可视化方法、装置、设备及介质。

背景技术

随着互联网的快速发展，越来越多的人们选择通过上网来获取自己想要得知的信息。信息由数据组成，但数据形式复杂，数据量庞大，简单直接地展示数据，使人们很难理解信息。

现有数据可视化技术将抽象的数据通过图形化的方式展现出来，使人们能够更直观、更快速地理解数据。然而，随着数据量的快速增加，如果对所有数据进行数据可视化，最终展示出的信息仍然过多，无法帮助用户快速地获取需要的信息。因此如何自动选择出用户需要的信息，并进行动态数据化展示是本领域技术人员亟待解决的技术问题。

发明内容

本申请实施例的目的是提供一种基于AI模型的数据可视化方法、装置、设备及介质，目的在于帮助用户快速获取关键信息，并帮助用户分析关键信息，优化用户的浏览体验。

第一方面，本申请实施例提供了一种基于AI模型的数据可视化方法，所述方法包括：

获取用户的历史行为信息；

将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出结果，确定用户的关注数据；

根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略；

基于所述可视化策略，对所述关注数据进行动态可视化展示。

第二方面，本申请实施例提供了一种基于AI模型的数据可视化方法，所述方法包括：

历史行为获取模块，用于获取用户的历史行为信息；

关注数据确定模块，用于将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出结果，确定用户的关注数据；

可视化策略确定模块，用于根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略；

可视化展示模块，用于基于所述可视化策略，对所述关注数据进行动态可视化展示。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。

第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。

第五方面，本申请实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。

在本申请实施例中，获取用户的历史行为信息；将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出结果，确定用户的关注数据；根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略；基于所述可视化策略，对所述关注数据进行动态可视化展示。上述基于AI模型的数据可视化方法，通过将历史行为信息输入至预先训练的AI模型，可以确定用户感兴趣的数据，通过确定可视化策略并进行动态可视化展示，可以帮助用户快速获取关键信息，并帮助用户分析关键信息，优化用户的浏览体验。

附图说明

图1是本申请实施例一提供的基于AI模型的数据可视化方法的流程示意图；

图2是本申请实施例二提供的基于AI模型的数据可视化方法的流程示意图；

图3是本申请实施例三提供的基于AI模型的数据可视化方法的流程示意图；

图4是本申请实施例四提供的基于AI模型的数据可视化方法的流程示意图；

图5是本申请实施例五提供的基于AI模型的数据可视化装置的结构示意图；

图6是本申请实施例六提供的电子设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的基于AI模型的数据可视化方法、装置、设备及介质进行详细地说明。

实施例一

图1是本申请实施例一提供的基于AI模型的数据可视化方法的流程示意图。如图1所示，具体包括如下步骤：

S101，获取用户的历史行为信息；

首先，本申请适用于对用户展示进行数据可视化后的数据的场景。基于上述使用场景，可以理解的，本申请的执行主体可以是服务器。具体的，对于历史行为信息的获取、关注数据与可视化策略的确定、动态可视化的展示等可以由服务器执行，用户查看动态可视化展示的数据，获取自己需要的信息。

其中，服务器是一种专门用于提供计算、存储和网站服务的硬件设备或计算机程序，客户端是与服务器进行通信和交互的硬件设备或计算机程序，服务器将数据传输给客户端，客户端向用户展示数据。用户即为通过客户端查看数据的人群。

历史行为信息是指在当前时间点前，对用户在客户端上进行的行为、活动或交互进行记录和存储的信息，可以包括历史浏览信息和操作行为信息。

服务器上的日志记录功能可以捕捉客户端的各种活动和事件，并存储为日志文件。日志文件可以包括访问日志、错误日志、安全日志以及性能日志等。通过获取并读取日志文件，可以获取用户的历史行为信息。

S102，将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出结果，确定用户的关注数据；

AI模型是指使用人工智能技术构建和训练的数学模型，用于解决特定问题或执行特定任务。预先训练是指在特定任务之前，使用大规模数据集对AI模型进行初始训练的过程。预先训练一般采用深度学习模型，以及有监督训练方法。其中，深度学习模型是一类基于神经网络的机器学习模型，由多个神经网络层组成，具有深层结构，常见的深度学习模型包括前馈神经网络、循环神经网络、长短期记忆网络、变换器以及生成对抗网络等；在有监督训练中，模型的训练数据包括输入样本和对应的标签或目标输出，有监督训练的目标是让模型学习输入样本与标签之间的映射关系，以便在给定新的输入样本时能够预测出相应的标签。

AI模型的输出结果可以包括至少一个用户兴趣数据，以及各用户兴趣数据的概率值。将历史行为信息输入进AI模型，计算机经过计算并对用户兴趣数据以及各用户兴趣数据的概率值进行反馈。

关注数据可以是指用户重点关注，并需要向用户优先展示的数据。确定用户的关注数据的方式，可以采用根据AI模型的输出的至少一个用户兴趣数据，各用户兴趣数据的概率值，以及将要向用户展示的候选数据的领域信息，确定候选数据中的关注数据。

S103，根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略；

可视化策略可以是指有效传达和展示数据的策略和方法，可以对可视化样式与动态展示参数进行规定。

关注数据的数据量决定了可视化策略中的可视化样式。

关注数据的演变时间可以是指关注数据的整个变化过程的持续时间，即关注数据的演变时间的时间跨度。关注数据的演变时间的时间跨度决定了可视化策略中的动态展示参数。

确定关注数据的可视化策略的方式，可以采用根据关注数据的数据量，确定可视化策略中的可视化样式，并根据演变时间的时间跨度，确定可视化策略中的动态展示参数。

S104，基于所述可视化策略，对所述关注数据进行动态可视化展示。

进行动态可视化展示的方式，可以采用使用适合的动态可视化工具或库，根据可视化策略创建动态可视化展示，客户端接收关注数据与动态可视化展示数据，并显示动态可视化展示。

其中，动态可视化工具或库可以包括D3.js、Plotly、Matplotlib以及Tableau等。

在本申请实例中，获取用户的历史行为信息；将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出结果，确定用户的关注数据；根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略；基于所述可视化策略，对所述关注数据进行动态可视化展示。本技术方案，通过将历史行为信息输入至预先训练的AI模型，可以确定用户感兴趣的数据，通过确定可视化策略并进行动态可视化展示，可以帮助用户快速获取关键信息，并帮助用户分析关键信息，优化用户的浏览体验。

实施例二

图2是本申请实施例二提供的基于AI模型的数据可视化方法的流程示意图。本方案对上述实施例做出了更优的改进，具体改进为：获取用户的历史行为信息，包括：获取用户的历史浏览信息、操作行为信息；所述方法还包括：获取用户的个人画像信息和操作设备信息；相应的，将所述历史行为信息输入至预先训练的AI模型，包括：将所述历史浏览信息、所述操作行为信息、所述个人画像信息以及所述操作设备信息输入至预先训练的AI模型。

如图2所示，具体包括如下步骤：

S201，获取用户的历史浏览信息、操作行为信息；

历史浏览信息是指对于用户在过去的浏览活动中访问的数据的记录信息。通过检测数据元素的位置、尺寸以及可滚动性等属性，来确定数据元素是否在当前视窗中可见，例如，可以使用Intersection Observer API(交叉观察器)来监听数据元素进入或离开视窗。若数据元素在当前视窗中可见，则将该数据元素记录在日志文件中。

操作行为信息可以是指对于用户的交互行为和操作的记录信息，可以包括点击事件、悬停时间、滚动行、表单提交、键盘事件、页面导航以及弹出窗口和模态框等，通过使用事件***来监听发生在当前页面的事件，可以实现对操作行为信息的获取，并将操作行为信息记录于日志文件中，形成操作行为记录。其中，事件***是一种用于捕获和处理特定事件的机制。

通过获取并读取日志文件，可以获取历史浏览信息和操作行为信息。

S202，获取用户的个人画像信息和操作设备信息；

个人画像信息是指描述用户个人的特征、属性以及行为的数据，用于描述和分析个人的特点和兴趣。获取用户的个人画像信息的方式，可以采用在用户注册账号时，用户输入个人画像信息，服务器收取个人画像信息并进行记录存储，还可以采用利用大数据分析和挖掘技术，从海量数据中提取和推断出个人画像信息。

操作设备信息可以是能够唯一标识当前操作设备的信息，具体的，可以是指操作设备的IP地址。IP地址(Internet Protocol Address)是互联网中用于标识和定位设备的一组数字，由32位或128位二进制数字组成，用于唯一标识网络中的每个设备。在大多数家庭和办公网络中，IP地址一般由路由器通过DHCP协议(Dynamic Host ConfigurationProtocol，动态主机配置协议)动态分配给操作设备，操作设备在连接网络时向路由器发送请求，路由器分配一个可用的IP地址给操作设备，在计算机的网络设置界面可以查看到当前操作设备的当前IP地址。

S203，将所述历史浏览信息、所述操作行为信息、所述个人画像信息以及所述操作设备信息输入至预先训练的AI模型；

将历史浏览信息、操作行为信息、个人画像信息以及操作设备信息输入进AI模型，计算机经过计算并对用户兴趣数据以及各用户兴趣数据的概率值进行反馈。

S204，根据所述AI模型的输出结果，确定用户的关注数据；

S205，根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略；

S206，基于所述可视化策略，对所述关注数据进行动态可视化展示。

本方案这样设置的好处是，通过获取历史浏览信息、操作行为信息、个人画像信息以及操作设备信息，可以为AI模型的计算分析提供更多的依据，从而提高AI模型的输出结果的准确性。

实施例三

图3是本申请实施例三提供的基于AI模型的数据可视化方法的流程示意图。本方案对实施例一做出了更优的改进，具体改进为：根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略，包括：根据所述关注数据的数据量，以及所述关注数据的演变时间的时间跨度，确定所述关注数据的可视化策略。

如图3所示，具体包括如下步骤：

S301，获取用户的历史行为信息；

S302，将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出结果，确定用户的关注数据；

S303，根据所述关注数据的数据量，以及所述关注数据的演变时间的时间跨度，确定所述关注数据的可视化策略。

数据量可以是指关注数据的大小或容量，单位可以为字节(byte)。使用字节数获取方法，来获取关注数据中各数据元素的字节数，并将各数据元素的字节数求和，得到总字节数作为关注数据的数据量。其中，字节数获取方法可以是Python中的sys.getsizeof()函数、C/C++中的sizeof()函数或Java中的java.long.Integer类的BYTE常量等。

时间跨度是指时间上的距离或范围，用于描述事件、过程或时间段的持续时间，具体的，是指关注数据的整个变化过程的持续时间。通过记录关注数据的开始变化时间和结束变化时间，并将结束变化时间减去开始变化时间，所得时间长度即为关注数据的演变时间的时间跨度。

确定关注数据的可视化策略的方式，可以采用根据关注数据的数据量，确定可视化策略中的可视化样式，根据演变时间的时间跨度，确定可视化策略中的动态展示参数。

在本技术方案中，可选的，根据所述关注数据的数据量，以及所述关注数据的演变时间的时间跨度，确定所述关注数据的可视化策略，包括：

根据所述关注数据的数据量，确定所述可视化策略中的可视化样式；其中，所述可视化样式包括：动态图表、地理维度可视化、3D可视化、交互式可视化、文本可视化以及大数据可视化中的至少一种；

根据所述演变时间的时间跨度，确定所述可视化策略中的动态展示参数；其中，所述动态展示参数包括动态帧数量以及动态帧率。

可视化样式是指在数据可视化中用于呈现数据的外观和风格，可以包括动态图表、地理维度可视化、3D可视化、交互式可视化、文本可视化以及大数据可视化等。具体的，动态图表通过动画或时间序列的方式展示数据的变化趋势和演变过程，可以帮助用户更好地理解数据的动态性和趋势变化；地理维度可视化将数据与地理空间相关联，以地图或其他地理信息***工具展示数据，可以呈现地理位置、地区差异以及空间分布等信息；3D可视化利用三维图形技术展示数据，使用户能够在三维空间中观察数据的结构和关系，适用于展示具有深度和复杂关联的数据集；交互式可视化允许用户主动与数据可视化进行互动和探索，用户可以选择、过滤、缩放、平移或悬停在图表上获取详细信息，以探索数据的不同视角和关联性；文本可视化通过图形化方式呈现文本数据的结构和内容，可以包括词云、文本网络以及文本矩阵等形式，用于分析文本语义以及情感等信息；大数据可视化涉及处理和展示大规模数据集，使用特定的技术和算法来处理和呈现大量数据，以帮助用户发现模式、趋势和洞察。

可以理解的，不同的可视化样式对于数据的概括抽象能力不同，关注数据的数据量越大，应选择概括抽象能力越好的可视化样式。

动态展示参数是指控制可视化变化效果的参数，包括动态帧数量以及动态帧率。动态帧数量是指动态可视化中使用的静态图像的数量，动态帧数量决定了动画的持续时间和平滑度；动态帧率是指动态可视化中每秒播放的帧数，动态帧率决定了动画的流畅度和视觉感知上的连续性。

可以理解的，演变时间的时间跨度越长，动态帧数量应越大，动态帧率也应越大。

本方案这样设置的好处是，确定可视化样式和动态展示参数，可以实现对动态可视化展示效果的精准控制，满足用户的需求。

S304，基于所述可视化策略，对所述关注数据进行动态可视化展示。

本方案这样设置的好处是，通过根据关注数据的数据量，以及关注数据的演变时间的时间跨度，确定关注数据的可视化策略，可以使动态可视化的展示结果更能够帮助用户获取并分析自己关注的数据。

实施例四

图4是本申请实施例四提供的基于AI模型的数据可视化方法的流程示意图。本方案对实施例一做出了更优的改进，具体改进为：将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出结果，确定用户的关注数据，包括：将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出的至少一个用户兴趣数据，以及各用户兴趣数据的概率值，确定用户的关注数据。

如图4所示，具体包括如下步骤：

S401，获取用户的历史浏览信息、操作行为信息；

S402，将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出的至少一个用户兴趣数据，以及各用户兴趣数据的概率值，确定用户的关注数据。

用户兴趣数据可以是指用户可能感兴趣的数据。概率值是用来表示事件发生的可能性大小的数值，具体的，是表示用户对该数据的感兴趣程度的数值。

确定用户的关注数据的方式，可以采用根据AI模型的输出的至少一个用户兴趣数据，各用户兴趣数据的概率值，以及将要向用户展示的候选数据的领域信息，确定候选数据中的关注数据。

在本技术方案中，可选的，根据所述AI模型的输出的至少一个用户兴趣数据，以及各用户兴趣数据的概率值，确定用户的关注数据，包括：

根据所述AI模型的输出的至少一个用户兴趣数据，各用户兴趣数据的概率值，以及将要向用户展示的候选数据的领域信息，确定所述候选数据中的关注数据。

候选数据是指与各用户兴趣数据相关的所有数据。领域信息可以是指候选数据所涉及的特定领域或主题，主要可以分为金融、医疗健康以及教育等。

确定候选数据中的关注数据的方式，可以采用按照概率值从大到小对用户兴趣数据进行排序，按照上述排序结果选取预设数据量的候选数据作为关注数据。其中，预设数据量可以根据动态可视化的数据容量以及候选数据的数据内容等进行设定。

本方案这样设置的好处是，通过根据AI模型的输出的至少一个用户兴趣数据，各用户兴趣数据的概率值，以及将要向用户展示的候选数据的领域信息，确定候选数据中的关注数据，可以检验AI模型的输出结果，并提高关注数据的相关性，优化用户的浏览体验。

在本技术方案中，可选的，在确定所述候选数据中的关注数据之前，所述方法还包括：

获取所述历史行为信息的所属领域；

根据所述历史行为信息的所属领域与将要向用户展示的候选数据的领域信息的领域相关度，确定所述关注数据的AI模型的输出结果的置信度；

根据所述置信度，确定所述关注数据的数据量调整范围；

根据所述数据量调整范围，确定从所述候选数据中筛选出的关注数据的数据量；

所属领域即为历史行为信息的领域信息，即历史行为信息所涉及的各数据的领域信息。获取历史行为信息的所述领域的方式，可以采用根据历史行为信息所涉及的各数据包含的术语、标签或特征，确定各数据的领域信息。

计算历史行为信息所涉及的所有数据的总数据量，并计算所有数据中领域信息与候选数据的领域信息一致的数据的数据量，将所得数据量除以总数据量，所得比值即为历史行为信息的所属领域与将要向用户展示的候选数据的领域信息的领域相关度。

置信度是指对某个观点、信息或结论的信任程度或可靠性评估。获取历史行为信息的所属领域与每组候选数据的领域信息的领域相关度，并计算获取的所有领域相关度的平均值作为AI模型的输出结果的置信度。

可以理解的，置信度越高，表示对候选数据的关注程度越高，可以给用户展示的关注数据的数据量应越大。数据量调整范围即为上述预设数据量，获取候选数据的总数据量，并将置信度与所得总数据量做乘法运算，所得结果即为关注数据的数据量调整范围。

根据数据量调整范围以及用户兴趣数据的排序顺序，对候选数据进行汇总和压缩，使关注数据的数据量小于数据量调整范围。

本方案这样设置的好处是，确定AI模型的输出结果的置信度，并根据置信度确定关注数据的数据量调整范围，可以实现对关注数据的数据量的精准控制，充分贴合用户的需求。

S403，根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略；

S404，基于所述可视化策略，对所述关注数据进行动态可视化展示。

本方案这样设置的好处是，根据AI模型的输出的至少一个用户兴趣数据，以及各用户兴趣数据的概率值，确定用户的关注数据，可以提高关注数据的精炼性和相关性，并且帮助对AI模型的输出结果进行验证和调整，提高AI模型的准确度。

实施例五

图5是本申请实施例五提供的基于AI模型的数据可视化装置的结构示意图。如图5所示，所述装置包括：

历史行为获取模块510，用于获取用户的历史行为信息；

关注数据确定模块520，用于将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出结果，确定用户的关注数据；

可视化策略确定模块530，用于根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略；

可视化展示模块540，用于基于所述可视化策略，对所述关注数据进行动态可视化展示。

在本申请实施例中，历史行为获取模块，用于获取用户的历史行为信息；关注数据确定模块，用于将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出结果，确定用户的关注数据；可视化策略确定模块，用于根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略；可视化展示模块，用于基于所述可视化策略，对所述关注数据进行动态可视化展示。上述基于AI模型的数据可视化装置，通过将历史行为信息输入至预先训练的AI模型，可以确定用户感兴趣的数据，通过确定可视化策略并进行动态可视化展示，可以帮助用户快速获取关键信息，并帮助用户分析关键信息，优化用户的浏览体验。

本申请实施例中的基于AI模型的数据可视化装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。

本申请实施例中的基于AI模型的数据可视化装置可以为具有操作***的装置。该操作***可以为安卓(Android)操作***，可以为IOS操作***，还可以为其他可能的操作***，本申请实施例不作具体限定。

本申请实施例提供的基于AI模型的数据可视化装置能够实现上述实施例一至四实现的各个过程，为避免重复，这里不再赘述。

实施例六

如图6所示，本申请实施例还提供一种电子设备600，包括处理器601，存储器602，存储在存储器602上并可在所述处理器601上运行的程序或指令，该程序或指令被处理器601执行时实现上述基于AI模型的数据可视化装置实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。

实施例七

本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述基于AI模型的数据可视化装置实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。

实施例八

本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述基于AI模型的数据可视化装置实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为***级芯片、***芯片、芯片***或片上***芯片等。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims (10)

1.一种基于AI模型的数据可视化方法，其特征在于，所述方法包括：

获取用户的历史行为信息；

将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出结果，确定用户的关注数据；

根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略；

基于所述可视化策略，对所述关注数据进行动态可视化展示。

2.根据权利要求1所述的基于AI模型的数据可视化方法，其特征在于，获取用户的历史行为信息，包括：

获取用户的历史浏览信息、操作行为信息；

所述方法还包括：

获取用户的个人画像信息和操作设备信息；

相应的，将所述历史行为信息输入至预先训练的AI模型，包括：

将所述历史浏览信息、所述操作行为信息、所述个人画像信息以及所述操作设备信息输入至预先训练的AI模型。

3.根据权利要求1所述的基于AI模型的数据可视化方法，其特征在于，根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略，包括：

根据所述关注数据的数据量，以及所述关注数据的演变时间的时间跨度，确定所述关注数据的可视化策略。

4.根据权利要求3所述的基于AI模型的数据可视化方法，其特征在于，根据所述关注数据的数据量，以及所述关注数据的演变时间的时间跨度，确定所述关注数据的可视化策略，包括：

根据所述关注数据的数据量，确定所述可视化策略中的可视化样式；其中，所述可视化样式包括：动态图表、地理维度可视化、3D可视化、交互式可视化、文本可视化以及大数据可视化中的至少一种；

根据所述演变时间的时间跨度，确定所述可视化策略中的动态展示参数；其中，所述动态展示参数包括动态帧数量以及动态帧率。

5.根据权利要求1所述的基于AI模型的数据可视化方法，其特征在于，将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出结果，确定用户的关注数据，包括：

将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出的至少一个用户兴趣数据，以及各用户兴趣数据的概率值，确定用户的关注数据。

6.根据权利要求5所述的基于AI模型的数据可视化方法，其特征在于，根据所述AI模型的输出的至少一个用户兴趣数据，以及各用户兴趣数据的概率值，确定用户的关注数据，包括：

根据所述AI模型的输出的至少一个用户兴趣数据，各用户兴趣数据的概率值，以及将要向用户展示的候选数据的领域信息，确定所述候选数据中的关注数据。

7.根据权利要求6所述的基于AI模型的数据可视化方法，其特征在于，在确定所述候选数据中的关注数据之前，所述方法还包括：

获取所述历史行为信息的所属领域；

根据所述历史行为信息的所属领域与将要向用户展示的候选数据的领域信息的领域相关度，确定所述关注数据的AI模型的输出结果的置信度；

根据所述置信度，确定所述关注数据的数据量调整范围；

根据所述数据量调整范围，确定从所述候选数据中筛选出的关注数据的数据量。

8.一种基于AI模型的数据可视化装置，其特征在于，所述装置包括：

历史行为获取模块，用于获取用户的历史行为信息；

关注数据确定模块，用于将所述历史行为信息输入至预先训练的AI模型，根据所述AI模型的输出结果，确定用户的关注数据；

可视化策略确定模块，用于根据所述关注数据，以及所述关注数据的演变时间，确定所述关注数据的可视化策略；

可视化展示模块，用于基于所述可视化策略，对所述关注数据进行动态可视化展示。

9.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-7中任一项所述的基于AI模型的数据可视化方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-7中任一项所述的基于AI模型的数据可视化方法的步骤。