综述：视觉洞察挖掘综述：通过可视化连接数据与洞察

这篇综述系统梳理了视觉洞察挖掘（Visual Insight Mining）领域，重点探讨了从数据到可视化（Data2Vis）和从可视化到洞察（Vis2Insight）两大阶段，涵盖任务分解、可视化生成、图表解析等6项核心任务，并分析了规则驱动、学习驱动和大模型驱动三类方法的演进与挑战。

　　

视觉洞察挖掘：数据与洞察的桥梁

在数据爆炸的时代，如何从海量数据中提取有价值的知识成为关键挑战。这篇综述系统性地探讨了通过可视化技术实现数据洞察的全过程，揭示了可视化作为连接原始数据与人类认知的关键媒介作用。

1. 1.

   数据到可视化的转化（Data2Vis）

Data2Vis阶段实现了从原始数据到可视化呈现的自动化转换。早期规则驱动的方法如APT系统通过预设编码规则生成图表，但灵活性不足。随着机器学习（ML）技术的发展，Data2Vis等系统开始采用序列到序列（seq2seq）模型实现数据规范到可视化规范的转换。而大语言模型（LLM）的兴起带来了革命性变革，ChartGPT通过三步推理流程（数据理解、视觉编码选择、规范生成）显著提升了自然语言到可视化生成的准确性。

1. 1.

   可视化到洞察的提取（Vis2Insight）

Vis2Insight阶段致力于从视觉呈现中提取深层知识。传统方法依赖预定义规则识别图表元素，而深度学习模型如ChartSense采用卷积神经网络（CNN）实现图表类型分类和元素提取。多模态大模型（MLLM）的突破性进展使得AskChart等系统能够同时处理视觉和文本信息，在图表问答（CQA）任务中实现接近人类的推理能力。特别值得注意的是，ChartAssistant通过图表到表格的预训练和多任务指令调优，在零样本场景下展现出卓越的表现。

1. 1.

   方法学演进与挑战

从规则驱动到学习驱动，再到大模型驱动，视觉洞察挖掘方法经历了显著演进。当前主流方法面临的主要挑战包括：

• •

  高质量数据集的缺乏，现有数据集多局限于基础图表类型

• •

  任务特异性限制，模型在跨任务泛化能力上表现不足

• •

  大模型幻觉问题，如ChartInsighter所揭示的错误洞察生成

1. 1.

   未来发展方向

前沿研究指出了几个关键突破方向：

• •

  高级图表理解能力的提升，特别是对混合图表和交互式看板的解析

• •

  下游任务应用扩展，如金融分析和医疗决策支持

• •

  流程创新，构建更简洁直观的数据-洞察端到端管道

可视化技术正在从被动呈现工具转变为主动洞察引擎。随着多模态大模型（MLLM）等技术的发展，视觉洞察挖掘有望实现从数据到决策的无缝衔接，为各领域的知识发现提供强大支持。这一领域的进步将显著降低数据分析的门槛，使更广泛的用户群体能够从复杂数据中获得有价值的见解。