自动化报表生成方法、装置、计算机设备及存储介质

摘要

本申请实施例属于人工智能领域，涉及一种自动化报表生成方法，包括获取目标报告的报告类型，以及存储的所有报表类型，通过特征工程将报告类型转换为标签向量，将报表类型转换为特征向量；获取预设的目标预测模型，输入标签向量和特征向量至目标预测模型中，经过目标预测模型中的梯度提升决策树和逻辑回归模型计算得到每个报表之间的预测衔接概率；按照预测衔接概率对目标报告的报表进行预测排序，得到排序结果，根据排序结果将目标报告中的报告内容与报表进行匹配，得到优选报表。本申请还提供一种自动化报表生成装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，排序结果可存储于区块链中。本申请提高了报表的自动生成效率。

权利要求

1.一种自动化报表生成方法，其特征在于，包括下述步骤：获取目标报告的报告类型，以及存储的所有报表类型，通过特征工程将所述报告类型转换为标签向量，将所述报表类型转换为特征向量；

获取预设的目标预测模型，输入所述标签向量和所述特征向量至所述目标预测模型中，经过所述目标预测模型中的梯度提升决策树和逻辑回归模型计算得到每个报表之间的预测衔接概率；

按照所述预测衔接概率对所述目标报告的报表进行预测排序，得到排序结果，根据所述排序结果将所述目标报告中的报告内容与所述报表进行匹配，得到所述目标报告的优选报表；

其中，所述输入所述标签向量和所述特征向量至所述目标预测模型中，经过所述目标预测模型中的梯度提升决策树和逻辑回归模型计算得到每个报表之间的预测衔接概率的步骤具体包括：

输入所述标签向量和所述特征向量至所述目标预测模型中的梯度提升决策树中，经过所述梯度提升决策树的叶子节点输出得到离散特征，并对所述离散特征进行编码，得到编码特征；

对所述编码特征进行加权求和得到求和结果，输入所述求和结果至所述逻辑回归模型，计算得到所述预测衔接概率；

其中，所述获取预设的目标预测模型的步骤具体包括：获取预设的基础预测模型、历史标签数据、历史特征数据和历史交互数据；

根据所述历史标签数据、所述历史特征数据和所述历史交互数据对所述基础预测模型进行训练，得到所述目标预测模型；

其中，所述根据所述历史标签数据、所述历史特征数据和所述历史交互数据对所述基础预测模型进行训练，得到所述目标预测模型的步骤具体包括：选取第一预设个数的所述历史标签数据、所述历史特征数据和所述历史交互数据作为训练数据，选取预设第二预设个数的所述历史标签数据、所述历史特征数据和所述历史交互数据作为验证数据；

根据所述训练数据对所述基础预测模型进行训练，得到待优化模型，根据所述验证数据对所述待优化模型进行验证，在所述待优化模型对所述验证数据的验证通过率大于等于预设阈值时，确定所述待优化模型为所述目标预测模型。

2.根据权利要求1所述的自动化报表生成方法，其特征在于，在所述根据所述验证数据对所述待优化模型进行验证的步骤之后，还包括：在所述待优化模型对所述验证数据的验证通过率小于所述预设阈值时，获取预设的损失函数，根据所述损失函数调整所述待优化模型的参数大小，在所述损失函数收敛时，确定所述待优化模型的参数调整完成，得到参数调整完成的待优化模型；

根据所述验证数据对所述参数调整完成的待优化模型进行验证，在所述参数调整完成的待优化模型对所述验证数据的验证通过率大于等于所述预设阈值时，确定所述参数调整完成的待优化模型为所述目标预测模型。

3.根据权利要求2所述的自动化报表生成方法，其特征在于，所述根据所述损失函数调整所述待优化模型的参数大小的步骤具体包括：获取所述待优化模型对所述训练数据中的历史标签数据和历史特征数据计算得到的预测结果；

根据所述损失函数计算所述预测结果和所述历史交互数据的损失值，获取所述损失值对应的预设参数调整指令，根据所述预设参数调整指令对所述待优化模型的参数进行调整。

4.根据权利要求1所述的自动化报表生成方法，其特征在于，在所述得到所述目标报告的优选报表的步骤之后，还包括：将所述优选报表存储在区块链中。

5.一种自动化报表生成装置，其特征在于，包括：获取模块，用于获取目标报告的报告类型，以及存储的所有报表类型，通过特征工程将所述报告类型转换为标签向量，将所述报表类型转换为特征向量；

预测模块，用于获取预设的目标预测模型，输入所述标签向量和所述特征向量至所述目标预测模型中，经过所述目标预测模型中的梯度提升决策树和逻辑回归模型计算得到每个报表之间的预测衔接概率；

排序模块，用于按照所述预测衔接概率对所述目标报告的报表进行预测排序，得到排序结果，根据所述排序结果将所述目标报告中的报告内容与所述报表进行匹配，得到所述目标报告的优选报表；

其中，所述预测模块包括：

第一计算单元，用于输入所述标签向量和所述特征向量至所述目标预测模型中的梯度提升决策树中，经过所述梯度提升决策树的叶子节点输出得到离散特征，并对所述离散特征进行编码，得到编码特征；

第二计算单元，用于对所述编码特征进行加权求和得到求和结果，输入所述求和结果至所述逻辑回归模型，计算得到所述预测衔接概率；

获取单元，用于获取预设的基础预测模型、历史标签数据、历史特征数据和历史交互数据；

训练单元，用于根据所述历史标签数据、所述历史特征数据和所述历史交互数据对所述基础预测模型进行训练，得到所述目标预测模型；

其中，所述训练单元包括：

第一获取子单元，用于选取第一预设个数的所述历史标签数据、所述历史特征数据和所述历史交互数据作为训练数据，选取预设第二预设个数的所述历史标签数据、所述历史特征数据和所述历史交互数据作为验证数据；

第一验证子单元，用于根据所述训练数据对所述基础预测模型进行训练，得到待优化模型，根据所述验证数据对所述待优化模型进行验证，在所述待优化模型对所述验证数据的验证通过率大于等于预设阈值时，确定所述待优化模型为所述目标预测模型。

6.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至4中任一项所述的自动化报表生成方法的步骤。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至4中任一项所述的自动化报表生成方法的步骤。

说明书

自动化报表生成方法、装置、计算机设备及存储介质

技术领域

[0001] 本申请涉及人工智能技术领域，尤其涉及一种自动化报表生成方法、装置、计算机设备及存储介质。

背景技术

[0002] 当前在日常管理中往往缺乏对于数据指标的监控及应用，无法通过现有的指标报表查看数据的趋势，即难以识别出数字指标代表的经营趋势，导致无法有效的针对数据指
标做出经营方案的规划、及目标的追踪工作。而在通过报表对数据进行追踪时，往往是通过
人工绘制报表，尤其是当需要对大量的数据进行报表的生成时，更需要人工的反复筛选和
确定，由此最终导致报表生成效率低下的技术问题。

发明内容

[0003] 本申请实施例的目的在于提出一种自动化报表生成方法、装置、计算机设备及存储介质，以解决报表生成效率低下的技术问题。

[0004] 为了解决上述技术问题，本申请实施例提供一种自动化报表生成方法，采用了如下所述的技术方案：

[0005] 获取目标报告的报告类型，以及存储的所有报表类型，通过特征工程将所述报告类型转换为标签向量，将所述报表类型转换为特征向量；

[0006] 获取预设的目标预测模型，输入所述标签向量和所述特征向量至所述目标预测模型中，经过所述目标预测模型中的梯度提升决策树和逻辑回归模型计算得到每个报表之间
的预测衔接概率；

[0007] 按照所述预测衔接概率对所述目标报告的报表进行预测排序，得到排序结果，根据所述排序结果将所述目标报告中的报告内容与所述报表进行匹配，得到所述目标报告的
优选报表。

[0008] 进一步的，所述输入所述标签向量和所述特征向量至所述目标预测模型中，经过所述目标预测模型中的梯度提升决策树和逻辑回归模型计算得到每个报表之间的预测衔
接概率的步骤具体包括：

[0009] 输入所述标签向量和所述特征向量至所述目标预测模型中的梯度提升决策树中，经过所述梯度提升决策树的叶子节点输出得到离散特征，并对所述离散特征进行编码，得
到编码特征；

[0010] 对所述编码特征进行加权求和得到求和结果，输入所述求和结果至所述逻辑回归模型，计算得到所述预测衔接概率。

[0011] 进一步的，所述获取预设的目标预测模型的步骤具体包括：

[0012] 获取预设的基础预测模型、历史标签数据、历史特征数据和历史交互数据；

[0013] 根据所述历史标签数据、所述历史特征数据和所述历史交互数据对所述基础预测模型进行训练，得到所述目标预测模型。

[0014] 进一步的，所述根据所述历史标签数据、所述历史特征数据和所述历史交互数据对所述基础预测模型进行训练，得到所述目标预测模型的步骤具体包括：

[0015] 选取第一预设个数的所述历史标签数据、所述历史特征数据和所述历史交互数据作为训练数据，选取预设第二预设个数的所述历史标签数据、所述历史特征数据和所述历
史交互数据作为验证数据；

[0016] 根据所述训练数据对所述基础预测模型进行训练，得到待优化模型，根据所述验证数据对所述待优化模型进行验证，在所述待优化模型对所述验证数据的验证通过率大于
等于预设阈值时，确定所述待优化模型为所述目标预测模型。

[0017] 进一步的，在所述根据所述验证数据对所述待优化模型进行验证的步骤之后，还包括：

[0018] 在所述待优化模型对所述验证数据的验证通过率小于所述预设阈值时，获取预设的损失函数，根据所述损失函数调整所述待优化模型的参数大小，在所述损失函数收敛时，
确定所述待优化模型的参数调整完成，得到参数调整完成的待优化模型；

[0019] 根据所述验证数据对所述参数调整完成的待优化模型进行验证，在所述参数调整完成的待优化模型对所述验证数据的验证通过率大于等于所述预设阈值时，确定所述参数
调整完成的待优化模型为所述目标预测模型。

[0020] 进一步的，所述根据所述损失函数调整所述待优化模型的参数大小的步骤具体包括：

[0021] 获取所述待优化模型对所述训练数据中的历史标签数据和历史特征数据计算得到的预测结果；

[0022] 根据所述损失函数计算所述预测结果和所述历史交互数据的损失值，获取所述损失值对应的预设参数调整指令，根据所述预设参数调整指令对所述待优化模型的参数进行
调整。

[0023] 进一步的，在所述得到所述目标报告的优选报表的步骤之后，还包括：

[0024] 将所述优选报表存储在区块链中。

[0025] 为了解决上述技术问题，本申请实施例还提供一种自动化报表生成装置，采用了如下所述的技术方案：

[0026] 获取模块，用于获取目标报告的报告类型，以及存储的所有报表类型，通过特征工程将所述报告类型转换为标签向量，将所述报表类型转换为特征向量；

[0027] 预测模块，用于获取预设的目标预测模型，输入所述标签向量和所述特征向量至所述目标预测模型中，经过所述目标预测模型中的梯度提升决策树和逻辑回归模型计算得
到每个报表之间的预测衔接概率；

[0028] 排序模块，用于按照所述预测衔接概率对所述目标报告的报表进行预测排序，得到排序结果，根据所述排序结果将所述目标报告中的报告内容与所述报表进行匹配，得到
所述目标报告的优选报表。

[0029] 为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器和处理器，以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器
执行所述计算机可读指令时实现上述自动化报表生成方法的步骤。

[0030] 为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述
自动化报表生成方法的步骤。

[0031] 上述自动化报表生成方法，通过获取目标报告的报告类型，以及存储的所有报表类型，通过特征工程将报告类型转换为标签向量，将报表类型转换为特征向量，根据特征向
量和标签向量可以对报表的预测衔接概率进行精确计算；之后，获取预设的目标预测模型，
输入标签向量和特征向量至目标预测模型中，经过目标预测模型中的梯度提升决策树和逻
辑回归模型计算得到每个报表之间的预测衔接概率，使得通过该预测衔接概率对目标报告
的报表进行精确推荐，进一步实现报表的自动生成；而后，按照预测衔接概率对目标报告的
报表进行预测排序，得到排序结果，根据排序结果将目标报告中的报告内容与报表进行匹
配，得到目标报告的优选报表，实现了对数据报表的自动化生成，提高了报表生成效率，进
一步实现了数据的智能可视化。

附图说明

[0032] 为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域
普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0033] 图1是本申请可以应用于其中的示例性系统架构图；

[0034] 图2 根据本申请的自动化报表生成方法的一个实施例的流程图；

[0035] 图3是根据本申请的自动化报表生成装置的一个实施例的结构示意图；

[0036] 图4是根据本申请的计算机设备的一个实施例的结构示意图。

[0037] 附图标记：自动化报表生成装置300、获取模块301、预测模块302以及排序模块303。

具体实施方式

[0038] 除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体
的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明
中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说
明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用
于描述特定顺序。

[0039] 在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同
的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和
隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

[0040] 为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

[0041] 如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以
包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

[0042] 用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应
用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

[0043] 终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture Experts 
Group Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving Picture 
Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携
计算机和台式计算机等等。

[0044] 服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

[0045] 需要说明的是，本申请实施例所提供的自动化报表生成方法一般由服务器/终端设备执行，相应地，自动化报表生成装置一般设置于服务器/终端设备中。

[0046] 应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

[0047] 继续参考图2，示出了根据本申请的自动化报表生成的方法的一个实施例的流程图。所述的自动化报表生成方法，包括以下步骤：

[0048] 步骤S201，获取目标报告的报告类型，以及存储的所有报表类型，通过特征工程将所述报告类型转换为标签向量，将所述报表类型转换为特征向量。

[0049] 在本实施例中，目标报告为接受到需要进行图表转换的数据报告，在接受到目标报告时，获取目标报告的报告类型，如财务类、业务类等类别。通过特征工程将该报告类型
转换为标签向量。具体地，特征工程为将原始数据转换为模型可输入的初始参数数据的数
据转换方式，该特征工程包括线性归一化、类别编码和多个特征组合等特征数据转换方式。
在报告类型为字符串时，通过类别编码可以将报告类型转换为标签向量，其中，类别编码包
括序号编码、独热编码和二进制编码，通过序号编码、独热编码和二进制编码中的任意一种
方式，即可将报告类型转换为标签向量。以独热编码为例，独热编码是利用0，1表示的参数，
使用N位状态寄存器来对N个状态进行编码，在得到报告类型或报表类型时，通过独热编码
将报告类型或报表类型可直接转换为对应的标签向量或特征向量。

[0050] 报表类型包括图表类型和数字报表类型，获取存储的所有图表类型和数字报表类型。通过上述特征工程的转换方式即可将该图表类型和数字报表类型转换为对应的特征向
量，在此不再赘述。

[0051] 步骤S202，获取预设的目标预测模型，输入所述标签向量和所述特征向量至所述目标预测模型中，经过所述目标预测模型中的梯度提升决策树和逻辑回归模型计算得到每
个报表之间的预测衔接概率。

[0052] 在本实施例中，获取预设的目标预测模型，其中，该目标预测模型包括特征输入层、决策树处理层和分类层，该决策树处理层为梯度提升决策树结构，分类层为逻辑回归模
型结构，前一层的输出结果为下一层的输入数据。在得到标签向量和特征向量时，将该标签
向量和特征向量作为目标预测模型的输入数据，输入至目标预测模型中。该目标预测模型
为基础预测模型训练得到，基础预测模型与目标预测模型采用同样的结构，但模型的参数
不同。预先采集多组历史标签数据、历史特征数据和历史交互数据对基础预测模型进行训
练；根据每次的训练结果对基础预测模型的参数进行调整，每次的参数调整具体可根据训
练结果与对应的预设参数调整指令确定，不同的训练结果对应不同的预设参数调整指令。
该训练结果可以用基础预测模型计算得到的预测结果和历史交互数据的损失值表示，历史
标签数据则为历史存储的报告类型标签，历史特征数据为历史存储的报表类型数据，历史
交互数据为每个报告类型和报表类型的报告中报表的衔接数据。在参数调整后的模型对预
设的验证数据验证通过率大于等于预设阈值时，确定该参数调整后的模型为目标检测模
型。

[0053] 在得到目标预测模型时，将该标签向量和特征向量经过决策树处理层和分类层计算，最终输出得到当前目标报告对应的每个报表之间的预测衔接概率。其中，预测衔接概率
是指每个报表之后出现另一个报表的概率值，如A报表之后出现B报表的概率值，B之后出现
C的概率值。在得到所有报表之间的预测衔接概率时，选取每个报表概率值最大的预测衔接
概率对应的报表为当前报表的下一个衔接报表。例如，A报表之后出现B报表的概率值为
0.5，A报表之后出现C报表的概率值为0.8，则选取0.8对应的报表C为当前报表A的下一个衔
接报表。

[0054] 步骤S203，按照所述预测衔接概率对所述目标报告的报表进行预测排序，得到排序结果，根据所述排序结果将所述目标报告中的报告内容与所述报表进行匹配，得到所述
目标报告的优选报表。

[0055] 在本实施例中，在得到预测衔接概率时，根据该预测衔接概率对目标报告的报表进行排序，得到排序结果，该排序结果即为每个报表的排列顺序。例如，B报表对A报表的预
测衔接概率最大，则A报表之后衔接B表，C报表对B报表的预测衔接概率最大，则B报表之后
衔接C报表，最终得到的排序结果则为A、B、C。在得到排序结果之后，根据该排序结果将对应
的报表与报告的内容进行匹配，最后即得到目标报告的优选报表。

[0056] 本实施例实现了对数据报表的自动化生成，提高了报表生成效率，进一步实现了数据的智能可视化。

[0057] 在本申请的一些实施例中，上述输入所述标签向量和所述特征向量至所述目标预测模型中，经过所述目标预测模型中的梯度提升决策树和逻辑回归模型计算得到每个报表
之间的预测衔接概率包括：

[0058] 输入所述标签向量和所述特征向量至所述目标预测模型中的梯度提升决策树中，经过所述梯度提升决策树的叶子节点输出得到离散特征，并对所述离散特征进行编码，得
到编码特征；

[0059] 对所述编码特征进行加权求和得到求和结果，输入所述求和结果至所述逻辑回归模型，计算得到所述预测衔接概率。

[0060] 在本实施例中，梯度提升决策树为一种迭代的决策树，由多个决策树组成，该梯度提升决策树进行多轮迭代，每轮均会产生一个决策树，每个决策树在上一轮决策树的残差
基础上进行训练，最终得到最优的一个决策树。逻辑回归模型为一种分类模型，通过逻辑回
归模型可以对物品进行性质的判断，预测物品与目标的适配性概率并对物品进行排序。在
本实施例中通过逻辑回归模型最终得到的预测结果即为报表与报表之间的衔接概率值。具
体地，梯度提升决策树的根节点到叶子节点的不同路径相当于不同特征的特征组合，每个
决策树的叶子节点可以唯一的表示一条路径，根据每个叶子节点路径输出即可以得到多个
不同的特征组合。在得到标签向量和特征向量时，将该标签向量和特征向量输入至梯度提
升决策树，通过该梯度提升决策树的每个叶子节点的路径输出得到多个离散特征。对该离
散特征进行独热编码，得到编码特征。之后，将每个叶子节点的编码特征进行线性加权求
和，得到求和值；输入该求和值至逻辑回归模型，经过该逻辑回归模型输出即得到预测衔接
概率。

[0061] 本实施例通过梯度提升决策树和逻辑回归模型对输入的数据进行计算，提高了数据处理和分类效率，实现了报表的自动生成，并提高了报表生成效率。

[0062] 在本申请的一些实施例中，上述获取预设的目标预测模型包括：

[0063] 获取预设的基础预测模型、历史标签数据、历史特征数据和历史交互数据；

[0064] 根据所述历史标签数据、所述历史特征数据和所述历史交互数据对所述基础预测模型进行训练，得到所述目标预测模型。

[0065] 在本实施例中，获取基础预测模型，该基础预测模型包括初始的梯度提升决策树和初始的逻辑回归模型。其中，该初始的梯度提升决策树和初始的逻辑回归模型均采用初
始的预设参数设定，通过历史标签数据、历史特征数据和历史交互数据对该基础预测模型
中的初始的梯度提升决策树和初始的逻辑回归模型同时进行训练，即可训练得到最终的目
标预测模型。

[0066] 具体地，预先采集多组历史标签数据、历史特征数据和历史交互数据作为样本数据，其中，历史标签数据为历史存储的报告类型标签，历史特征数据为历史存储的报表类型
数据，历史交互数据为每个报告类型和报表类型的报告中报表的衔接数据。根据该历史标
签数据、历史特征数据和历史交互数据输入至梯度提升决策树和逻辑回归模型中进行训
练，在历史标签数据、历史特征数据和历史交互数据对基础预测模型训练完成时，即得到目
标预测模型。

[0067] 本实施例通过历史标签数据、历史特征数据和历史交互数据对基础预测模型进行训练，使得通过训练完成的目标预测模型能够对数据进行精确计算，进一步提高了目标预
测模型对数据的预测准确率。

[0068] 在本申请的一些实施例中，上述根据所述历史标签数据、所述历史特征数据和所述历史交互数据对所述基础预测模型进行训练，得到所述目标预测模型包括：

[0069] 选取第一预设个数的所述历史标签数据、所述历史特征数据和所述历史交互数据作为训练数据，选取预设第二预设个数的所述历史标签数据、所述历史特征数据和所述历
史交互数据作为验证数据；

[0070] 根据所述训练数据对所述基础预测模型进行训练，得到待优化模型，根据所述验证数据对所述待优化模型进行验证，在所述待优化模型对所述验证数据的验证通过率大于
等于预设阈值时，确定所述待优化模型为所述目标预测模型。

[0071] 在本实施例中，在得到历史标签数据、历史特征数据和历史交互数据时，将所有的历史表数据、历史特征数据和历史交互数据按照预设比例划分为训练数据和验证数据。训
练数据中则包括第一预设个数的历史标签数据、历史特征数据和历史交互数据，验证数据
中则包括第二预设个数的历史标签数据、历史特征数据和历史交互数据。根据该训练数据
对基础预测模型进行训练，得到待优化模型，之后，根据验证数据对待优化模型进行验证，
在该待优化模型对验证数据的验证通过率大于等于预设阈值时，确定该待优化模型为目标
检测模型。

[0072] 本实施例通过训练数据和验证数据对基础预测模型进行训练和验证，确保了模型预测的准确性。

[0073] 在本申请的一些实施例中，在上述根据所述验证数据对所述待优化模型进行验证之后，还包括：

[0074] 在所述待优化模型对所述验证数据的验证通过率小于所述预设阈值时，获取预设的损失函数，根据所述损失函数调整所述待优化模型的参数大小，在所述损失函数收敛时，
确定所述待优化模型的参数调整完成，得到参数调整完成的待优化模型；

[0075] 根据所述验证数据对所述参数调整完成的待优化模型进行验证，在所述参数调整完成的待优化模型对所述验证数据的验证通过率大于等于所述预设阈值时，确定所述参数
调整完成的待优化模型为所述目标预测模型。

[0076] 在本实施例中，在待优化模型对验证数据的验证通过率小于预设阈值时，获取预设的损失函数，该损失函数为对数似然损失，根据该损失函数对该待优化模型的参数进行
调整。

[0077] 若计算得到的损失函数未收敛，则根据损失函数计算得到的结果获取预设参数调整指令，根据该预设参数调整指令对该待优化模型的参数进行增大或减小，并将每次参数
调整后的待优化模型作为下一次训练数据对应的待优化模型，直至根据该待优化模型计算
得到的损失函数收敛；在该损失函数收敛时，则确定此时的待优化模型的参数调整完成，得
到参数调整完成的待优化模型。根据验证数据对该参数调整完成的待优化模型进行校验，
在该参数调整完成的待优化模型对验证数据的验证通过率大于等于预设阈值时，则确定该
参数调整后的待优化模型为目标预测模型。若参数调整完成的待优化模型仍然对验证数据
的验证通过率小于预设阈值，则表示验证数据或训练数据的选取错误，重新选取新的验证
数据和训练数据对基础预测模型进行训练。

[0078] 本实施例通过损失函数对模型进行参数调整，提高了模型的训练效率，进一步提高了模型在对数据进行预测时的预测准确率。

[0079] 在本申请的一些实施例中，上述根据所述损失函数调整所述待优化模型的参数大小包括：

[0080] 获取所述待优化模型对所述训练数据中的历史标签数据和历史特征数据计算得到的预测结果；

[0081] 根据所述损失函数计算所述预测结果和所述历史交互数据的损失值，获取所述损失值对应的预设参数调整指令，根据所述预设参数调整指令对所述待优化模型的参数进行
调整。

[0082] 在本实施例中，在计算损失函数时，将该历史标签数据和历史特征数据输入至待优化模型中的梯度提升决策树，之后经过逻辑回归模型，最终输出得到预测结果。比对该预
测结果和历史交互数据，根据该预测结果和历史交互数据的误差对基础训练模型的参数进
行调整，该误差即为根据该损失函数计算得到的损失值。根据该损失值获取对应的预设参
数调整指令，根据该预设参数调整指令即可对该待优化模型的参数进行增大或减小。

[0083] 具体地，损失函数的计算公式如下所示：

[0084]

[0085] 其中，Y为输出变量，X为输入变量，L为损失函数，N为输入样本量，M为可能类别数，为真实概率， 为预测概率。

[0086] 本实施例通过比对预测结果和历史交互数据的损失值，使得模型计算的预测结果更接近于真实结果，从而提高模型的预测准确性。

[0087] 在本申请的一些实施例中，在上述得到所述目标报告的优选报表之后，还包括：

[0088] 将所述优选报表存储在区块链中。

[0089] 在本实施例中，需要强调的是，为进一步保证上述优选报表的私密和安全性，上述优选报表还可以存储于一区块链的节点中。

[0090] 本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用
密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验
证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品
服务层以及应用服务层等。

[0091] 本实施例通过将优选报表保存在区块链中可以保证优选报表的私密和安全性，防止信息的泄露。

[0092] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读
取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储
介质可为磁碟、光盘、只读存储记忆体（Read‑Only Memory，ROM）等非易失性存储介质，或随
机存储记忆体（Random Access Memory，RAM）等。

[0093] 应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤
的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一
部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻
执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他
步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

[0094] 进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种自动化报表生成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应
用于各种电子设备中。

[0095] 如图3所示，本实施例所述的自动化报表生成装置300包括：获取模块301、预测模块302以及排序模块303。其中：

[0096] 获取模块301，用于获取目标报告的报告类型，以及存储的所有报表类型，通过特征工程将所述报告类型转换为标签向量，将所述报表类型转换为特征向量；

[0097] 在本实施例中，目标报告为接受到需要进行图表转换的数据报告，在接受到目标报告时，获取目标报告的报告类型，如财务类、业务类等类别。通过特征工程将该报告类型
转换为标签向量。具体地，特征工程为将原始数据转换为模型可输入的初始参数数据的数
据转换方式，该特征工程包括线性归一化、类别编码和多个特征组合等特征数据转换方式。
在报告类型为字符串时，通过类别编码可以将报告类型转换为标签向量，其中，类别编码包
括序号编码、独热编码和二进制编码，通过序号编码、独热编码和二进制编码中的任意一种
方式，即可将报告类型转换为标签向量。以独热编码为例，独热编码是利用0，1表示的参数，
使用N位状态寄存器来对N个状态进行编码，在得到报告类型或报表类型时，通过独热编码
将报告类型或报表类型可直接转换为对应的标签向量或特征向量。

[0098] 报表类型包括图表类型和数字报表类型，获取存储的所有图表类型和数字报表类型。通过上述特征工程的转换方式即可将该图表类型和数字报表类型转换为对应的特征向
量，在此不再赘述。

[0099] 预测模块302，用于获取预设的目标预测模型，输入所述标签向量和所述特征向量至所述目标预测模型中，经过所述目标预测模型中的梯度提升决策树和逻辑回归模型计算
得到每个报表之间的预测衔接概率；

[0100] 其中，预测模块302包括：

[0101] 第一计算单元，用于输入所述标签向量和所述特征向量至所述目标预测模型中的梯度提升决策树中，经过所述梯度提升决策树的叶子节点输出得到离散特征，并对所述离
散特征进行编码，得到编码特征；

[0102] 第二计算单元，用于对所述编码特征进行加权求和得到求和结果，输入所述求和结果至所述逻辑回归模型，计算得到所述预测衔接概率。

[0103] 获取单元，用于获取预设的基础预测模型、历史标签数据、历史特征数据和历史交互数据；

[0104] 训练单元，用于根据所述历史标签数据、所述历史特征数据和所述历史交互数据对所述基础预测模型进行训练，得到所述目标预测模型。

[0105] 其中，训练单元包括：

[0106] 第一获取子单元，用于选取第一预设个数的所述历史标签数据、所述历史特征数据和所述历史交互数据作为训练数据，选取预设第二预设个数的所述历史标签数据、所述
历史特征数据和所述历史交互数据作为验证数据；

[0107] 第一验证子单元，用于根据所述训练数据对所述基础预测模型进行训练，得到待优化模型，根据所述验证数据对所述待优化模型进行验证，在所述待优化模型对所述验证
数据的验证通过率大于等于预设阈值时，确定所述待优化模型为所述目标预测模型。

[0108] 第一调整子单元，用于在所述待优化模型对所述验证数据的验证通过率小于所述预设阈值时，获取预设的损失函数，根据所述损失函数调整所述待优化模型的参数大小，在
所述损失函数收敛时，确定所述待优化模型的参数调整完成，得到参数调整完成的待优化
模型；

[0109] 第二验证子单元，用于根据所述验证数据对所述参数调整完成的待优化模型进行验证，在所述参数调整完成的待优化模型对所述验证数据的验证通过率大于等于所述预设
阈值时，确定所述参数调整完成的待优化模型为所述目标预测模型。

[0110] 其中，第一调整子单元包括：

[0111] 第二获取子单元，用于获取所述待优化模型对所述训练数据中的历史标签数据和历史特征数据计算得到的预测结果；

[0112] 第二调整子单元，用于根据所述损失函数计算所述预测结果和所述历史交互数据的损失值，获取所述损失值对应的预设参数调整指令，根据所述预设参数调整指令对所述
待优化模型的参数进行调整。

[0113] 在本实施例中，获取预设的目标预测模型，其中，该目标预测模型包括特征输入层、决策树处理层和分类层，该决策树处理层为梯度提升决策树结构，分类层为逻辑回归模
型结构，前一层的输出结果为下一层的输入数据。在得到标签向量和特征向量时，将该标签
向量和特征向量作为目标预测模型的输入数据，输入至目标预测模型中。该目标预测模型
为基础预测模型训练得到，基础预测模型与目标预测模型采用同样的结构，但模型的参数
不同。预先采集多组历史标签数据、历史特征数据和历史交互数据对基础预测模型进行训
练；根据每次的训练结果对基础预测模型的参数进行调整，每次的参数调整具体可根据训
练结果与对应的预设参数调整指令确定，不同的训练结果对应不同的预设参数调整指令。
该训练结果可以用基础预测模型计算得到的预测结果和历史交互数据的损失值表示，历史
标签数据则为历史存储的报告类型标签，历史特征数据为历史存储的报表类型数据，历史
交互数据为每个报告类型和报表类型的报告中报表的衔接数据。在参数调整后的模型对预
设的验证数据验证通过率大于等于预设阈值时，确定该参数调整后的模型为目标检测模
型。

[0114] 在得到目标预测模型时，将该标签向量和特征向量经过决策树处理层和分类层计算，最终输出得到当前目标报告对应的每个报表之间的预测衔接概率。其中，预测衔接概率
是指每个报表之后出现另一个报表的概率值，如A报表之后出现B报表的概率值，B之后出现
C的概率值。在得到所有报表之间的预测衔接概率时，选取每个报表概率值最大的预测衔接
概率对应的报表为当前报表的下一个衔接报表。例如，A报表之后出现B报表的概率值为
0.5，A报表之后出现C报表的概率值为0.8，则选取0.8对应的报表C为当前报表A的下一个衔
接报表。

[0115] 排序模块303，用于按照所述预测衔接概率对所述目标报告的报表进行预测排序，得到排序结果，根据所述排序结果将所述目标报告中的报告内容与所述报表进行匹配，得
到所述目标报告的优选报表。

[0116] 在本实施例中，在得到预测衔接概率时，根据该预测衔接概率对目标报告的报表进行排序，得到排序结果，该排序结果即为每个报表的排列顺序。例如，B报表对A报表的预
测衔接概率最大，则A报表之后衔接B表，C报表对B报表的预测衔接概率最大，则B报表之后
衔接C报表，最终得到的排序结果则为A、B、C。在得到排序结果之后，根据该排序结果将对应
的报表与报告的内容进行匹配，最后即得到目标报告的优选报表。

[0117] 本实施例提出的自动化报表生成装置还包括：

[0118] 存储模块，用于将所述优选报表存储在区块链中。

[0119] 在本实施例中，需要强调的是，为进一步保证上述优选报表的私密和安全性，上述优选报表还可以存储于一区块链的节点中。

[0120] 本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用
密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验
证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品
服务层以及应用服务层等。

[0121] 本实施例提出的自动化报表生成装置，实现了对数据报表的自动化生成，提高了报表生成效率，进一步实现了数据的智能可视化。

[0122] 为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

[0123] 所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61‑63的计算机设备6，但是应理解的是，并不要
求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员
可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算
和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application 
Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate 
Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。

[0124] 所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人
机交互。

[0125] 所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访
问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存
储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机
设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器
61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，
智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash 
Card）等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外
部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统
和各类应用软件，例如自动化报表生成方法的计算机可读指令等。此外，所述存储器61还可
以用于暂时地存储已经输出或者将要输出的各类数据。

[0126] 所述处理器62在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计
算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机
可读指令或者处理数据，例如运行所述自动化报表生成方法的计算机可读指令。

[0127] 所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。

[0128] 本实施例提出的计算机设备，实现了对数据报表的自动化生成，提高了报表生成效率，进一步实现了数据的智能可视化。

[0129] 本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以
使所述至少一个处理器执行如上述的自动化报表生成方法的步骤。

[0130] 本实施例提出的计算机可读存储介质，实现了对数据报表的自动化生成，提高了报表生成效率，进一步实现了数据的智能可视化。

[0131] 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设备（可以是手机，计算机，服
务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。

[0132] 显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同
的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻
全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其
依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进
行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他
相关的技术领域，均同理在本申请专利保护范围之内。