基于大模型的數(shù)據(jù)分析與可視化平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)

中圖分類號(hào)：TP311；TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2025）12-0074-06

Design and Implementation of Data Analysis and Visualization Platform Based on Large Language Model

GENG Kangkang12， WU Maonian1.2.3 （1.SchoolofInformationEngineering，HuzhouUniversity，Huzhou33ooo，China;2.ZhejiangProvinceKeyLaboratoryof Smart Management and Application ofModern Agricultural Resources，Huzhou 313ooo， China; 3.Huzhou Wuxing District Digital Economy Technology Research Institute，Huzhou 313ooo，China）

Abstract： With the continuous progressof Large Language Model in the field of Natural Language Processing， its application potential in the fieldof data analysis and visualization has gradually become prominent.Based onthe technical framework ofLargeLanguage Model，this study designs and implements anintelligent data analysis and visualization platform.Adhering to theuser-centered design conceptand combining with moder programming technology，the platformcan automaticallparsetheorginaldatauploadedbyusersandgeneratecorrespondingcharts.Inadition，thplatformalsosupports interactive functionsofmultiplechartsandhas theabilitytointerpretdatabasedonnaturallanguagegeneration.Through this platform，userscanaalyedataefcientlyandintuitivelysoastoobtainmorein-depthisights.iesearchprovidesuseful practical experience and theoretical reference forthe development of intellgentdata processing systems in the future.

Keywords：Large Language Model; data analysis; visualization; chart

0 引言

隨著人工智能技術(shù)的快速發(fā)展，基于大語言模型（LargeLanguageModel，LLM）的自然語言處理能力不斷提升。近年來，大模型在自然語言理解和生成任務(wù)中展現(xiàn)了卓越的性能，其強(qiáng)大的上下文理解能力和語義推理能力，為各類語言驅(qū)動(dòng)的智能系統(tǒng)設(shè)計(jì)提供了新的技術(shù)路徑[1]。特別是在數(shù)據(jù)分析與可視化領(lǐng)域，引入大模型能夠顯著降低用戶的操作復(fù)雜度，通過自然語言交互的方式完成數(shù)據(jù)查詢、分析與可視化，從而大幅提升分析效率和用戶體驗(yàn)[2]。本文基于Llama3模型[3]，設(shè)計(jì)并實(shí)現(xiàn)智能化的數(shù)據(jù)分析與可視化系統(tǒng)，結(jié)合編程前后端技術(shù)和分布式架構(gòu)，為用戶提供高效、直觀的數(shù)據(jù)處理能力。

在傳統(tǒng)的數(shù)據(jù)分析流程中，用戶往往需要借助專業(yè)工具或編程語言完成數(shù)據(jù)預(yù)處理、分析建模和可視化操作。這種方式要求用戶具備一定的技術(shù)背景，且操作流程復(fù)雜，對非技術(shù)用戶來說具有較高的使用門檻[4]。同時(shí)，隨著數(shù)據(jù)規(guī)模和復(fù)雜性的不斷增加，傳統(tǒng)工具在處理海量數(shù)據(jù)時(shí)往往面臨性能瓶頸，難以滿足實(shí)時(shí)性和交互性的需求。在此背景下，基于Llama3的大模型數(shù)據(jù)分析系統(tǒng)通過自然語言接口，結(jié)合現(xiàn)代Web技術(shù)與分布式系統(tǒng)架構(gòu)，為用戶提供全新的數(shù)據(jù)分析與可視化體驗(yàn)。用戶僅需通過簡單的自然語言指令即可完成復(fù)雜的分析任務(wù)，而系統(tǒng)自動(dòng)解析指令、執(zhí)行分析邏輯，并以直觀的可視化形式展示結(jié)果[5-]。

本文的主要研究內(nèi)容包括：

1）基于Llama3模型的自然語言交互方案設(shè)計(jì)，探索大模型在數(shù)據(jù)分析場景中的適配性與優(yōu)勢。2）基于現(xiàn)代編程技術(shù)的可視化系統(tǒng)實(shí)現(xiàn)，包括交互界面開發(fā)與數(shù)據(jù)動(dòng)態(tài)渲染。3）結(jié)合分布式架構(gòu)與多種技術(shù)工具，優(yōu)化系統(tǒng)性能及擴(kuò)展性。4）通過實(shí)驗(yàn)與案例驗(yàn)證系統(tǒng)的功能性與實(shí)用性。本文旨在為智能化數(shù)據(jù)分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)提供參考，同時(shí)為實(shí)際應(yīng)用場景中的數(shù)據(jù)處理與決策支持提供創(chuàng)新性解決方案。

1平臺(tái)設(shè)計(jì)原則

在設(shè)計(jì)基于大模型的數(shù)據(jù)分析與可視化平臺(tái)時(shí)，遵循以用戶為核心的設(shè)計(jì)理念，致力于為用戶提供高效、易用、智能化的分析體驗(yàn)。結(jié)合技術(shù)特點(diǎn)和應(yīng)用場景，本平臺(tái)設(shè)計(jì)遵循以下三大原則：直觀數(shù)據(jù)展示、增強(qiáng)數(shù)據(jù)理解、輔助數(shù)據(jù)探索[7]。

1.1直觀數(shù)據(jù)展示

數(shù)據(jù)可視化的核心目標(biāo)是將復(fù)雜的數(shù)據(jù)信息以直觀、清晰的方式呈現(xiàn)給用戶。本平臺(tái)通過ECharts動(dòng)態(tài)可視化技術(shù)，提供多種圖表類型，如柱狀圖、折線圖、餅圖、散點(diǎn)圖等，并支持用戶根據(jù)需求切換圖表樣式，使數(shù)據(jù)分析結(jié)果一目了然。

1.2增強(qiáng)數(shù)據(jù)理解

在數(shù)據(jù)分析過程中，僅僅展示數(shù)據(jù)并不足以支持用戶做出決策，需要通過對數(shù)據(jù)的深入解釋與分析來增強(qiáng)用戶對數(shù)據(jù)的理解。本平臺(tái)通過以下方式實(shí)現(xiàn)這一目標(biāo)：首先，基于Llama3大模型的語言生成能力，平臺(tái)能夠自動(dòng)生成對數(shù)據(jù)的解釋性文本；其次，通過多維度分析，支持用戶通過自然語言指令切換數(shù)據(jù)分析維度，幫助用戶從不同角度理解數(shù)據(jù)特征；最后，借助異常檢測與提示功能，結(jié)合數(shù)據(jù)分析法，平臺(tái)能夠檢測數(shù)據(jù)中的異常點(diǎn)或趨勢變化，并通過可視化標(biāo)注和文字提示告知用戶異常原因或潛在風(fēng)險(xiǎn)。

1.3輔助數(shù)據(jù)探索

數(shù)據(jù)分析的一個(gè)重要價(jià)值在于挖掘隱藏的信息和發(fā)現(xiàn)潛在的規(guī)律。本平臺(tái)設(shè)計(jì)多種功能，幫助用戶自主探索數(shù)據(jù)，發(fā)現(xiàn)有價(jià)值的洞見：

1）數(shù)據(jù)動(dòng)態(tài)篩選與過濾。提供靈活的數(shù)據(jù)篩選工具，支持用戶通過條件過濾（如時(shí)間范圍、類別、地區(qū)等）動(dòng)態(tài)調(diào)整分析范圍，聚焦感興趣的數(shù)據(jù)子集。

2）關(guān)聯(lián)分析。平臺(tái)支持對不同數(shù)據(jù)維度或指標(biāo)之間的關(guān)聯(lián)進(jìn)行分析，例如“銷售額與廣告投入的關(guān)系”“地區(qū)人口密度與消費(fèi)水平的相關(guān)性”，幫助用戶挖掘數(shù)據(jù)之間的潛在聯(lián)系。

3）數(shù)據(jù)預(yù)測與趨勢分析。結(jié)合統(tǒng)計(jì)模型和機(jī)器學(xué)習(xí)技術(shù)，提供數(shù)據(jù)預(yù)測功能，幫助用戶進(jìn)行趨勢分析與未來規(guī)劃，例如“預(yù)測未來六個(gè)月的銷售額變化”。

通過這些探索功能，平臺(tái)能夠激發(fā)用戶的好奇心，引導(dǎo)其深入挖掘數(shù)據(jù)價(jià)值，為決策提供有力支持。

2 平臺(tái)系統(tǒng)設(shè)計(jì)

2.1 平臺(tái)架構(gòu)

系統(tǒng)的核心架構(gòu)由三大模塊組成：大模型模塊、數(shù)據(jù)分析模塊和用戶模塊（如圖1所示）。每個(gè)模塊各司其職，共同完成從用戶需求解析到數(shù)據(jù)分析與可視化輸出的完整流程。

其中，大模型模塊是平臺(tái)的智能核心，主要負(fù)責(zé)解析用戶提交的自然語言分析需求。通過調(diào)用Llama3模型，模塊將非結(jié)構(gòu)化的自然語言輸入轉(zhuǎn)化為結(jié)構(gòu)化的分析邏輯，并為后續(xù)的數(shù)據(jù)分析任務(wù)提供指導(dǎo)。模塊管理功能則主要用于負(fù)載均衡和并發(fā)優(yōu)化，以提升模型的服務(wù)能力；數(shù)據(jù)分析模塊是平臺(tái)的數(shù)據(jù)處理核心，支持多種任務(wù)處理方式，包括消息隊(duì)列、多線程和串行分析；用戶模塊是系統(tǒng)的交互接口，包含普通用戶入口和管理員工具。普通用戶模塊提供自然語言輸入和分析結(jié)果展示功能，而管理員模塊則負(fù)責(zé)系統(tǒng)的維護(hù)與監(jiān)控。

2.2 系統(tǒng)流程

圖2展示了系統(tǒng)的前后端流程圖。系統(tǒng)的數(shù)據(jù)流從用戶輸入到結(jié)果展示，經(jīng)過前端與后端的協(xié)同處理，形成穩(wěn)定的處理機(jī)制。數(shù)據(jù)流的設(shè)計(jì)可分為前端數(shù)據(jù)處理階段和后端數(shù)據(jù)處理階段。

前端主要承擔(dān)用戶交互、數(shù)據(jù)校驗(yàn)和結(jié)果展示的任務(wù)。用戶通過界面輸入自然語言需求或上傳數(shù)據(jù)文件后，系統(tǒng)首先對輸入內(nèi)容進(jìn)行格式化校驗(yàn)，確保數(shù)據(jù)的完整性與合法性。校驗(yàn)通過后，用戶請求與數(shù)據(jù)被封裝并通過API接口傳輸至后端。最終，后端返回的分析結(jié)果會(huì)通過前端的動(dòng)態(tài)可視化工具ECharts展示，用戶還可以對生成的圖表進(jìn)行交互式調(diào)整，以滿足個(gè)性化需求。

圖2前端和后端流程圖

后端作為系統(tǒng)的核心，負(fù)責(zé)分析需求的分解、邏輯生成和數(shù)據(jù)處理。后端接收到前端提交的請求后，會(huì)再次校驗(yàn)數(shù)據(jù)以確保其規(guī)范性。隨后，通過調(diào)用Llama3模型，將用戶的自然語言需求解析為結(jié)構(gòu)化的分析邏輯。在處理高并發(fā)任務(wù)時(shí)，系統(tǒng)通過消息隊(duì)列對任務(wù)進(jìn)行調(diào)度，合理分配資源。根據(jù)生成的邏輯，后端的數(shù)據(jù)分析模塊采用合適的處理方式對數(shù)據(jù)進(jìn)行分析。分析完成后，系統(tǒng)將結(jié)果和可視化配置存儲(chǔ)至數(shù)據(jù)庫，同時(shí)將結(jié)果返回給前端供用戶查看。

3 平臺(tái)具體實(shí)現(xiàn)

3.1 技術(shù)選型

表1為主要的技術(shù)選型，結(jié)合前后端分離架構(gòu)、大模型服務(wù)、分布式消息隊(duì)列和高性能數(shù)據(jù)庫。通過Llama3和Ollama框架[提供自然語言解析服務(wù)；Vue.js和ECharts實(shí)現(xiàn)友好的交互與動(dòng)態(tài)可視化；SpringBoot和RabbitMQ支撐后端邏輯與異步任務(wù)調(diào)度；MySQL和Redis保證數(shù)據(jù)存儲(chǔ)和查詢的高效性。整體架構(gòu)針對復(fù)雜任務(wù)和高并發(fā)場景提供穩(wěn)定的解決方案，為智能數(shù)據(jù)分析提供重要支撐。

表1技術(shù)選型表

（續(xù)表）

3.2 主要功能實(shí)現(xiàn)

3.2.1 Llama 3部署

Llama3的大模型解析能力基于Transformer架構(gòu)，通過自注意力機(jī)制對輸入語句中的語義關(guān)系進(jìn)行建模，使其能夠在上下文中捕捉復(fù)雜的邏輯關(guān)系。具體而言，當(dāng)用戶輸入自然語言指令時(shí)，模型首先將自然語言文本轉(zhuǎn)化為高維向量表示，捕捉其語義信息；其次，利用多層Transformer的自注意力機(jī)制，建立輸入文本中詞匯之間的長距離依賴關(guān)系；最后通過解碼器將建模結(jié)果生成目標(biāo)任務(wù)描述[9]。與傳統(tǒng)的基于規(guī)則或模板的方法相比，大模型的優(yōu)勢在于其對非結(jié)構(gòu)化語句的高容錯(cuò)性和泛化能力，能夠解析復(fù)雜的自然語言需求。

在實(shí)際部署中，采用INT8量化技術(shù)對Llama3模型進(jìn)行優(yōu)化，將權(quán)重從FP32精度壓縮為低精度表示。為保證Llama3的運(yùn)行效率和服務(wù)穩(wěn)定性，采用Ollama框架進(jìn)行模型推理服務(wù)的封裝。硬件環(huán)境選擇支持CUDA的GPU集群，以加速模型的并行推理過程。模型通過RESTfulAPI形式對外提供服務(wù)，核心接口包括：負(fù)責(zé)接收用戶輸入并返回結(jié)構(gòu)化任務(wù)邏輯、監(jiān)控模型狀態(tài)與性能。

3.2.2 數(shù)據(jù)分析功能實(shí)現(xiàn)

數(shù)據(jù)分析模塊的核心目標(biāo)是根據(jù)用戶需求對數(shù)據(jù)集進(jìn)行分析處理，并生成分析結(jié)果。為滿足不同場景的需求，設(shè)計(jì)三種任務(wù)執(zhí)行方式：串行方式、異步方式和消息隊(duì)列方式。表2是三種執(zhí)行方式的對比：串行方式按順序處理任務(wù)，適用于簡單流程；異步方式解耦任務(wù)與結(jié)果，提高效率；消息隊(duì)列方式通過消息中間件實(shí)現(xiàn)任務(wù)分發(fā)，適合分布式和高并發(fā)場景。

表2三種執(zhí)行方式對比表

串行處理模式下，任務(wù)按照嚴(yán)格的順序，由單一線程逐條處理。這種模式確保每個(gè)任務(wù)在邏輯上的獨(dú)立性和順序執(zhí)行的可控性。在處理邏輯方面，前端直接調(diào)用后端接口，觸發(fā)數(shù)據(jù)分析任務(wù)的同步執(zhí)行。后端在接收到請求后，按順序處理數(shù)據(jù)，一旦分析完成，結(jié)果會(huì)立即返回給前端，無須額外的任務(wù)調(diào)度或結(jié)果存儲(chǔ)機(jī)制。

異步處理模式是將任務(wù)執(zhí)行與結(jié)果生成解耦的數(shù)據(jù)處理方式。在此模式下，前端提交任務(wù)后，會(huì)立即接收到一個(gè)任務(wù)標(biāo)識(shí)符，而無須等待任務(wù)完成。后端則在后臺(tái)異步執(zhí)行這些任務(wù)，利用線程池等機(jī)制來管理任務(wù)隊(duì)列和并發(fā)執(zhí)行。一旦任務(wù)完成，結(jié)果會(huì)被存儲(chǔ)在緩存系統(tǒng)中，前端可通過輪詢或回調(diào)接口，使用任務(wù)標(biāo)識(shí)符來檢索結(jié)果。

消息隊(duì)列處理模式是基于生產(chǎn)者－消費(fèi)者模型的數(shù)據(jù)處理架構(gòu)，使用消息中間件RabbitMQ來分發(fā)和執(zhí)行任務(wù)。用戶請求首先作為生產(chǎn)者消息，通過后端系統(tǒng)提交到RabbitMQ消息隊(duì)列中。隨后，Llama3模塊作為消費(fèi)者，持續(xù)監(jiān)聽該隊(duì)列，從中提取任務(wù)并執(zhí)行相應(yīng)的解析邏輯。任務(wù)處理完畢后，Llama3模塊會(huì)將結(jié)果存儲(chǔ)到Redis緩存中，用戶可通過提供的任務(wù)ID查詢處理結(jié)果。核心代碼如下：

3.2.3 數(shù)據(jù)展示功能實(shí)現(xiàn)

數(shù)據(jù)展示模塊的主要功能是將數(shù)據(jù)分析模塊生成的結(jié)果以直觀、動(dòng)態(tài)、交互性強(qiáng)的方式呈現(xiàn)給用戶。系統(tǒng)設(shè)計(jì)標(biāo)準(zhǔn)化的后端數(shù)據(jù)接口，分析結(jié)果經(jīng)后端處理后以JSON格式返回，包含數(shù)據(jù)點(diǎn)、維度信息和圖表配置參數(shù)。前端基于Vue的組件化架構(gòu)，將JSON數(shù)據(jù)解析后傳遞給ECharts進(jìn)行動(dòng)態(tài)渲染。支持的圖表類型包括柱狀圖、折線圖、餅圖和散點(diǎn)圖等，可滿足多種分析場景需求。用戶可通過界面對圖表進(jìn)行操作，如篩選數(shù)據(jù)維度、調(diào)整時(shí)間范圍、放大或縮小特定區(qū)域等。為實(shí)現(xiàn)實(shí)時(shí)更新，系統(tǒng)通過WebSocket建立前后端雙向通信通道，當(dāng)用戶調(diào)整分析參數(shù)時(shí)，后端重新生成結(jié)果并推送到前端進(jìn)行實(shí)時(shí)渲染。

圖3是系統(tǒng)生成圖表的一個(gè)示例。用戶上傳關(guān)于人腦推理與機(jī)器推理的結(jié)構(gòu)化數(shù)據(jù)，系統(tǒng)對數(shù)據(jù)進(jìn)行分析后，自動(dòng)生成對應(yīng)的ECharts配置代碼，并渲染出最終的可視化圖表。生成的配置代碼關(guān)鍵部分如下：

圖3生成的圖表示例

4系統(tǒng)測試與部署

4.1 系統(tǒng)測試

系統(tǒng)測試聚焦于平臺(tái)從用戶輸入到生成可視化結(jié)果的核心流程，驗(yàn)證各功能模塊的準(zhǔn)確性、協(xié)同穩(wěn)定性和性能表現(xiàn)，同時(shí)確保在高并發(fā)與異常場景下的魯棒性。測試內(nèi)容涵蓋自然語言解析、數(shù)據(jù)分析與可視化生成、智能結(jié)論生成以及高并發(fā)性能。

大模型模塊是平臺(tái)的核心組件，其測試目標(biāo)是驗(yàn)證用戶輸入的分析訴求能否被模型準(zhǔn)確理解并轉(zhuǎn)化為可執(zhí)行的分析任務(wù)。測試覆蓋標(biāo)準(zhǔn)化需求、模糊表達(dá)及邊界場景等多種輸入類型，結(jié)果顯示，大語言模型對標(biāo)準(zhǔn)化表述的解析準(zhǔn)確率達(dá)到 98.6% ，對模糊表達(dá)的容錯(cuò)率為 92.3% 。在語義歧義輸入場景下，系統(tǒng)能夠通過默認(rèn)規(guī)則或模型提示機(jī)制生成合理的分析任務(wù)。

數(shù)據(jù)分析模塊的測試重點(diǎn)在于對上傳原始數(shù)據(jù)集的處理能力，以及在復(fù)雜分析任務(wù)中的計(jì)算效率和準(zhǔn)確性。實(shí)驗(yàn)在包含百萬級(jí)記錄的真實(shí)數(shù)據(jù)集上進(jìn)行，涵蓋聚合分析、時(shí)間序列分析和多維交叉分析等任務(wù)。測試結(jié)果表明，任務(wù)執(zhí)行的平均響應(yīng)時(shí)間為1.3秒，分析結(jié)果與預(yù)期完全一致。啟用緩存優(yōu)化后，重復(fù)任務(wù)的響應(yīng)時(shí)間降至0.4秒，顯著提升了高頻場景的性能。可視化生成測試圍繞數(shù)據(jù)與圖表的一致性和交互性能展開。針對不同類型的分析任務(wù)，平臺(tái)生成折線圖、柱狀圖、餅圖等可視化結(jié)果。結(jié)果顯示，生成10萬條數(shù)據(jù)的圖表耗時(shí)不超過0.9秒，所有交互操作均保持流暢無卡頓，圖表與分析結(jié)果的展示完全一致。

高并發(fā)性能測試模擬了100至1000名用戶同時(shí)提交任務(wù)的場景，測試系統(tǒng)在高負(fù)載下的穩(wěn)定性與資源利用情況。結(jié)果表明，在1000并發(fā)用戶場景中，系統(tǒng)平均響應(yīng)時(shí)間為1.5秒，CPU和內(nèi)存利用率保持在合理范圍內(nèi)，未出現(xiàn)任務(wù)堆積或服務(wù)崩潰情況。

綜合測試結(jié)果表明，平臺(tái)在功能正確性、性能穩(wěn)定性和高并發(fā)處理能力方面表現(xiàn)優(yōu)異，能夠滿足智能數(shù)據(jù)分析場景的實(shí)際需求。

4.2 系統(tǒng)部署

平臺(tái)的部署采用分布式架構(gòu)與容器化技術(shù)，結(jié)合消息隊(duì)列和動(dòng)態(tài)擴(kuò)展機(jī)制，確保其在生產(chǎn)環(huán)境中的高效運(yùn)行和高可用性。部署架構(gòu)涵蓋前端服務(wù)、后端服務(wù)、大模型服務(wù)和數(shù)據(jù)存儲(chǔ)服務(wù)，各模塊通過輕量化的通信機(jī)制耦合，為平臺(tái)整體性能和可擴(kuò)展性提供支持。

前端服務(wù)通過Nginx托管靜態(tài)資源，并配置反向代理與后端通信，以支持高并發(fā)的用戶請求。后端服務(wù)基于SpringBoot，負(fù)責(zé)業(yè)務(wù)邏輯處理、消息隊(duì)列管理和任務(wù)調(diào)度，運(yùn)行于Docker容器化環(huán)境中。大模型服務(wù)部署于支持GPU的節(jié)點(diǎn)，通過分布式推理框架提供自然語言解析能力，并借助消息隊(duì)列實(shí)現(xiàn)與后端服務(wù)的異步通信。數(shù)據(jù)存儲(chǔ)服務(wù)使用MySQL數(shù)據(jù)庫作為主要存儲(chǔ)層，結(jié)合Redis緩存優(yōu)化高頻查詢性能，同時(shí)配置主從復(fù)制以提升容災(zāi)能力。

所有服務(wù)通過Docker容器化打包，結(jié)合Kubernetes進(jìn)行編排與管理，支持自動(dòng)擴(kuò)縮容、服務(wù)健康檢查和負(fù)載均衡。部署過程中，利用Kubernetes的節(jié)點(diǎn)彈性伸縮機(jī)制，平臺(tái)能夠根據(jù)用戶請求量動(dòng)態(tài)調(diào)整資源分配，避免性能瓶頸。

部署完成后，通過模擬真實(shí)生產(chǎn)環(huán)境進(jìn)行驗(yàn)證測試。在實(shí)際運(yùn)行條件下，平臺(tái)的平均響應(yīng)時(shí)間維持在1.3秒以內(nèi)，在高并發(fā)流量下借助動(dòng)態(tài)擴(kuò)展機(jī)制有效維持服務(wù)質(zhì)量。容災(zāi)切換時(shí)間控制在30秒內(nèi)，未對用戶體驗(yàn)產(chǎn)生顯著影響。測試結(jié)果充分證明，平臺(tái)的部署架構(gòu)具備高效、穩(wěn)定的運(yùn)行能力，能夠有效應(yīng)對復(fù)雜場景的挑戰(zhàn)。

5結(jié)論

研究設(shè)計(jì)并實(shí)現(xiàn)智能數(shù)據(jù)分析平臺(tái)，該平臺(tái)通過集成Llama3模型解析用戶自然語言輸入，轉(zhuǎn)化為具體數(shù)據(jù)分析任務(wù)，并自動(dòng)生成可視化圖表與分析結(jié)論，有效滿足智能數(shù)據(jù)分析和可視化場景需求。平臺(tái)的研究與實(shí)現(xiàn)為智能化數(shù)據(jù)分析提供了新解決方案，展現(xiàn)出自然語言處理技術(shù)在降低數(shù)據(jù)分析門檻中的實(shí)際應(yīng)用價(jià)值。

未來工作將進(jìn)一步優(yōu)化平臺(tái)自然語言解析能力，提升對復(fù)雜業(yè)務(wù)需求的適應(yīng)性；擴(kuò)展平臺(tái)對實(shí)時(shí)數(shù)據(jù)處理和多領(lǐng)域業(yè)務(wù)場景的支持；同時(shí)加強(qiáng)分析結(jié)論的智能化與業(yè)務(wù)相關(guān)性，為用戶提供更全面的決策支持工具。

參考文獻(xiàn)：

[1] CHANG YP，WANG X，WANG JD，et al. A Survey

onEvaluation ofLarge Language Models[J].ACMTransactions

onIntelligent Systemsand Technology，2023，15（3）：1-45.

[2]REBAZAJV，GONZALEZA，HINOJOSAON，

etal.AdvancedLargeLanguageModelsand Visualization Tools

forDataAnalyticsLearning[J/OL].Frontiersin Education，

2024，9：1418006[2025-01-05].https：//doi.0rg/10.3389/

feduc.2024.1418006.

[3]GRATTAFIORIA，DUBEYA，JAUHRIA，etal.The

Llama3Herd ofModels[J/OL].arXiv：2407.21783[cs.AI].[2025-

01-06].https：//doi.org/10.48550/arXiv.2407.21783.

[4]FLORAXRJGM，VANDERVLISTAJ.Spatial

EconometricDataAnalysis：MovingBeyond TraditionalModels[J].

International Regional ScienceReview，2003，26（3）：223-243.

[J].電氣電子教學(xué)學(xué)報(bào)，2019，41（4）：149-152.

[5]陳旭清，張爍，郭旭敏，等.基于信創(chuàng)平臺(tái)應(yīng)用能力評(píng)價(jià)系統(tǒng)軟件設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用與軟件，2024，41（11）： 60-65+130 #

[6]朱嘉涵，何治斌，陸昊，等.基于NodeJS+VueJS的船舶機(jī)務(wù)管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用與軟件，2024，41（11）：39-45+77.

[7]李金玲，袁鑫，楊彪.基于Web技術(shù)的傳染病數(shù)據(jù)可視化平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用與軟件，2023，40（10）：101-106+173.

[8]LYTVYN O.Enhancing Propaganda Detection with OpenSourceLanguageModels：A Comparative Study[C/OL]// ProceedingsoftheMei：CogSciConference.Bratislava：Journals. phl.univie.ac.at，2024，18（1）[2024-12-27].https：//journals.phl. univie.ac.at/meicogsci/article/view/822.

[9]HANK，XIAOA，WUE，etal.TransformerinTransformer [J].Advances in Neural Information ProcessingSystems，2021，34：15908-15919.

[10]于祉祺，劉皓源，何璐瑤，等.基于CNN-Transformer的管道缺陷三維重構(gòu)方法[J].現(xiàn)代信息科技，2024，8（20）：48-55.

作者簡介：耿康康（1999—），男，漢族，安徽亳州人，碩士在讀，研究方向：神經(jīng)符號(hào)與零樣本學(xué)習(xí)；吳茂念（1975一），男，漢族，貴州遵義人，碩士生導(dǎo)師，教授，博士，研究方向：人工智能。