社区首页 >专栏 >LLM4vis：基于大模型的可解释可视化推荐方法

LLM4vis：基于大模型的可解释可视化推荐方法

秋枫学习笔记

发布于 2023-10-24 02:23:54

1.6K0

关注我们，一起学习

标题：LLM4Vis: Explainable Visualization Recommendation using ChatGPT 地址：https://arxiv.org/pdf/2310.07652.pdf 会议：EMNLP 2023 学校，公司：新加坡管理大学，微软亚洲研究院

1.导读

本文主要针对可解释可视化推荐任务提出的大模型相关方法LLMVis，现有的各种基于机器学习的方法通常需要大量的可视化对数据集（数据和标签）来进行训练，并且其结果缺乏可解释性。

简单解释下这里说的可视化推荐：为了增强可解释性，我们通常会采用可视化方法，比如折线图，点状图，柱状图等，而不同的数据适合的图不同，因此需要对数据进行判断来推荐合适的可视化方式，如果是人工筛选那会很低效。

在这里，作者提出了LLM4Vis，基于大模型LLM（如ChatGPT）的提示方法，用于执行可视化推荐，并使用很少的示例返回类似人类的解释。LLMVis包括特征描述、示范示例选择、解释生成、示范示例构建和推理。为了获得具有高质量解释的示例，本文提出了一种解释生成bootstrapping方法，通过考虑上一轮迭代结果和基于模板的提示来迭代细化生成的解释。

特征描述：将包含单个特征和交叉特征的表格数据转化为自然语言描述的形式
示例选择：由于LLM的输入长度有限，因此只能选择少量的数据，这里的数据用于上下文学习，选择的方式为聚类
解释生成：通过上述方式只有特征描述和选择出来的特征，但是对应的解释，这里的解释通过大模型根据特征描述生成，这里的解释是为了增强推荐的可解释性，即为什么推荐某一类的可视化方法

具体流程可以看2.1节概览。

2.方法

2.1 概览

如图1所示，LLM4Vis由几个关键步骤组成：特征描述、演示示例选择、解释生成引导、提示构建和推理。

2.2 特征描述

大多数大型语言模型，如ChatGPT，都是基于文本语料库进行训练的。为了允许ChatGPT将表格数据集作为输入，

首先使用预定义的规则将其转换为定量表示其特征的数据特征集（感觉这里可以和人大的structgpt结合使用）。
然后，可以将这些特性序列化为文本描述。根据VizML和KG4Vis数据集，提取了80个交叉特征和120个单特征。将与列相关的数据特征分类为类型、值和名称。

以往的工作主要通过使用规则、模板或语言模型来执行序列化。在本文中，为了确保语法的正确性、灵活性和丰富性，遵循TabLLM提出的LLM序列化方法。提供一个提示，指示ChatGPT为每个表格数据集生成一个全面的文本描述，从单列特征和交叉特征的角度分析特征值。然后使用特征描述来构建简洁但信息丰富的演示示例。

2.3 示例选择

由于最大输入长度的限制，ChatGPT提示只能容纳少量的演示示例。因此，需要从大量标记数据中选择好的样本。

首先通过将每个表格数据集的特征转换为向量。
然后使用聚类算法从标记集中选择具有代表性的示例子集。聚类算法创建C个聚类，从每个聚类中选择R个有代表性的例子，得到大小为M=C×R的子集作为检索集。
最后基于检索集中向量表示的余弦相似性得分，检索与目标数据示例具有最高相似性得分的K个训练数据示例。

2.4 解释生成

每个标记的数据示例

X_{i}

$X_i$

只带有一个标签

Y_{i}

$Y_i$

，但没有演示示例中需要使用的解释。通过设计提示prompt，利用LLM，如ChatGPT的内置知识为每个样本生成适当的可视化和解释。指示ChatGPT以JSON格式生成，其中key对应于四种可能的可视化类型

{Y_{L C}, Y_{S P}, Y_{B C}, Y_{B P}}

$\{Y_{LC},Y_{SP},Y_{BC},Y_{BP}\}$

（LC:折线图、SP:散点图、BC:条形图、BP:方框图），值为推荐分数

{S_{L C}, S_{S P}, S_{B C}, S_{B P}}

$\{S_{LC},S_{SP},S_{BC},S_{BP}\}$

。提示ChatGPT在迭代过程中为其对每个可视化类型的预测生成解释

{E x_{L C}, E x_{S P}, E x_{B C}, E x_{B P}}

$\{Ex_{LC},Ex_{SP},Ex_{BC},Ex_{BP}\}$

。

使用零样本提示和表格数据集的特征描述，要求ChatGPT为所有可视化类型生成分数

{S_{L C}^{1}, S_{S P}^{1}, S_{B C}^{1}, S_{B P}^{1}}

$\{S_{LC}^1,S_{SP}^1,S_{BC}^1,S_{BP}^1\}$

，并提供支持将这些分数分配给每个可视化类型的解释

{E x_{L C}^{1}, E x_{S P}^{1}, E x_{B C}^{1}, E x_{B P}^{1}}

$\{Ex_{LC}^1,Ex_{SP}^1,Ex_{BC}^1,Ex_{BP}^1\}$

。这些分数的总和要求为1。

随后，通过迭代细化过程来修改这些分数和解释，该迭代细化过程在真实标签Y上的打分最高，且超过第二高分数至少0.1时终止。最后的解释和分数用

{E x_{L C}^{f}, E x_{S P}^{f}, E x_{B C}^{f}, E x_{B P}^{f}}

$\{Ex_{LC}^f,Ex_{SP}^f,Ex_{BC}^f,Ex_{BP}^f\}$

和

{S_{L C}^{f}, S_{S P}^{f}, S_{B C}^{f}, S_{B P}^{f}}

$\{S_{LC}^f,S_{SP}^f,S_{BC}^f,S_{BP}^f\}$

表示。然而，如果真实的可视化类型不满足上述条件，作者开发了一个提示，并将其附加到初始零样本提示，以指示ChatGPT产生更准确的输出。提示模板示例如下：“｛a｝可能比｛b｝更合适。但是，以前的分数是｛c｝”。{a}槽用于基本事实标签，{b}槽用于具有最高分数的不正确标签，{c}槽用于每个可视化类型的先前预测分数。

2.3 提示构造和推理

在从测试数据样本的检索集中检索到K个最近的标记样本，以及它们的特征描述、精细解释和精细分数后，每个演示示例都由特征描述、任务说明、推荐的带分数的可视化类型和解释构成。然后，我们将测试数据示例的功能描述合并到预定义的模板中。接下来，构建的演示示例和测试数据示例的完整模板被连接起来，并输入到ChatGPT中，以执行可视化类型建议。最后，从ChatGPT输出中提取推荐的可视化和解释。