HAIChart: Human and AI Paired Visualization System

随着商业智能和数据科学中数据可视化的重要性日益增长，强调了需要能够从大型数据集中有效生成有意义的可视化的工具。现有的工具分为两大类：人力驱动的工具（例如Tableau和PowerBI），需要专家密集参与；以及AI驱动的自动化工具（例如Draco和Table2Charts），往往无法猜测特定用户的需求。在本文中，我们旨在实现两全其美。我们的关键想法是最初自动生成一组高质量的可视化，以最小化手动工作，然后通过用户反馈迭代地改进此过程，以更紧密地符合其需求。为此，我们提出了HAIChart，这是一种基于强化学习的框架，旨在通过整合用户反馈来迭代地为给定数据集推荐良好的可视化。具体而言，我们提出了一种基于蒙特卡罗图搜索的可视化生成算法，配合复合奖励函数，以高效地探索可视化空间并自动生成良好的可视化。我们设计了可视化提示机制来积极纳入用户反馈，从而逐步完善可视化生成模块。我们进一步证明了前k个可视化提示选择问题是NP难问题，并设计了一种有效的算法。我们进行了定量评估和用户研究，结果显示HAIChart在召回率方面比人力驱动的工具表现显著提高（提高21％，速度快1.8倍），并且在Hit@3和R10@30方面比AI驱动的自动化工具表现更好（分别提高25.1％和14.9％）。

解决问题的问题是如何从大型数据集中高效生成有意义的可视化，同时最小化人工干预和自动化工具的不足之处？

提出了一个基于强化学习的框架HAIChart，通过蒙特卡罗图搜索算法和复合奖励函数，自动生成高质量的可视化，然后通过用户反馈迭代地调整，以更好地满足用户需求。

论文设计了一种可视化提示机制，可以主动地纳入用户反馈，逐步改进可视化生成模块。论文还证明了前k个可视化提示选择问题是NP困难的，并设计了一种高效的算法。实验结果表明，HAIChart在Recall方面比人工工具好21％，速度快1.8倍，在Hit@3和R10@30方面比AI自动化工具分别提高了25.1％和14.9％。

与此相关的研究包括Tableau，PowerBI，Draco和Table2Charts等人力工具和AI自动化工具。