Prompt4Vis：通过示例挖掘与模式过滤提示大语言模型进行表格数据可视化
人机交互
2024-02-14 v1 人工智能
计算与语言
数据库
摘要
数据可视化（DV）系统因其在海量数据集中揭示洞察力的卓越能力而日益受到认可，在业界和学术界均备受关注。在某些声明式可视化语言（DVLs，如 Vega-Lite、EChart 等）中，构建数据查询是一个必不可少的过程。自然语言处理（NLP）技术的发展简化了使用自然语言接口可视化表格数据的过程，提供了更易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），尽管利用了复杂的神经网络架构，仍未能达到预期效果，仍有巨大的改进空间。大语言模型（LLMs）如 ChatGPT 和 GPT-4，已在各种 NLP 任务中确立了新的基准，从根本上改变了该领域的格局。受这些进展的启发，我们引入了一种名为 Prompt4Vis 的新框架，利用 LLMs 和上下文学习来提升从自然语言生成数据可视化的性能。Prompt4Vis 包含两个关键组件：(1) 多目标示例挖掘模块，旨在找出真正有效的示例，以增强 LLM 在文本到可视化任务中的上下文学习能力；(2) 模式过滤模块，旨在简化数据库模式。在 NVBench 数据集上进行的广泛五折交叉验证实验证明了 Prompt4Vis 的优越性，其在开发集和测试集上分别显著超越最先进（SOTA）的 RGVisNet 约 35.9% 和 71.3%。据我们所知，Prompt4Vis 是首个将上下文学习引入文本到可视化以生成数据可视化查询的工作。
引用
@article{arxiv.2402.07909,
title = {Prompt4Vis: Prompting Large Language Models with Example Mining and Schema Filtering for Tabular Data Visualization},
author = {Shuaimin Li and Xuanang Chen and Yuanfeng Song and Yunze Song and Chen Zhang},
journal= {arXiv preprint arXiv:2402.07909},
year = {2024}
}