Prompt4Vis: Prompting LLMs with Example Mining and Schema Filtering for Tabular Data Visualization_prompt4vis: prompting large language models with e-优快云博客

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/137365623

Prompt4Vis是一个利用大型语言模型进行数据可视化的框架，通过多目标示例挖掘和模式过滤提高性能。与现有方法相比，Prompt4Vis在NVBench数据集上的实验显示了显著优势，特别是在上下文学习方面。该工作强调了在文本到视觉任务中选择合适示例和减少冗余信息的重要性。

本文是LLM系列文章，针对《Prompt4Vis: Prompting Large Language Models with Example
Mining and Schema Filtering for Tabular Data Visualization》的翻译。

摘要

数据可视化（DV）系统因其从庞大的数据集中揭示见解的深刻能力而越来越受到认可，在工业界和学术界都引起了关注。在某些声明性可视化语言（DVL，例如Vega-Lite、EChart.）中，制作数据查询是一个必不可少的过程。自然语言处理（NLP）技术的发展简化了自然语言界面的使用，使表格数据可视化，提供了更易于访问和直观的用户体验。然而，当前将自然语言问题转换为数据可视化查询的方法，如Seq2Vis、ncNet和RGVisNet，尽管使用了复杂的神经网络架构，但仍达不到预期，还有很大的改进空间。
大型语言模型（LLM），如ChatGPT和GPT-4，已经在各种NLP任务中建立了新的基准，从根本上改变了该领域的格局。受这些进步的启发，我们引入了一个新的框架Prompt4Vis，利用LLM和上下文学习来提高从自然语言生成数据可视化的性能。Prompt4Vis包括两个关键组件：（1）多目标示例挖掘模块，旨在找出真正有效的示例，增强LLM在文本到视觉的上下文学习能力；（2）一个模式过滤模块，用于简化数据库的模式。通过在NVBench数据集上进行5倍交叉验证的大量实验证明了Prompt4Vis的优越性，它在开发和测试集上分别显著超过了最先进的（SOTA）RGVisNet约35.9%和71.3%。据我们所知，Prompt4Vis是第一个将上下文学习引入到生成数据可视化查询的文本中的工作。