Migliorare le raccomandazioni delle formule nei fogli di calcolo
Un nuovo metodo migliora come gli utenti creano formule nei fogli di calcolo.
― 5 leggere min
Indice
- La sfida di creare formule
- Esempi di problemi comuni
- Imparare dai fogli simili
- Identificare fogli simili
- Come funziona il sistema di raccomandazione
- Passo 1: Trovare fogli simili
- Passo 2: Analizzare le formule di riferimento
- Passo 3: Adattare la formula al contesto dell'utente
- Valutazione del sistema
- Risultati della valutazione
- Sfide tecniche
- Identificare fogli simili
- Problemi di scalabilità
- Adattamento delle formule
- Conclusione
- Direzioni future
- Riepilogo
- Fonte originale
- Link di riferimento
I Fogli di calcolo sono strumenti che molte persone usano per gestire i Dati facilmente. Combinano numeri, testo e funzioni come SOMMA o CONTA.SE, permettendo agli utenti di fare calcoli all'interno di un formato a tabella. Nonostante la loro popolarità, scrivere Formule complesse può essere veramente difficile per molti utenti, soprattutto per quelli che non hanno una solida preparazione tecnica. Questo articolo parlerà di come possiamo migliorare il modo in cui vengono raccomandate le formule nei fogli di calcolo usando metodi basati sull'idea di trovare fogli "simili".
La sfida di creare formule
Creare formule nei fogli di calcolo è spesso un compito scoraggiante per gli utenti comuni. Molte persone fanno fatica a ricordare le varie funzioni disponibili e come usarle correttamente. Per esempio, funzioni come CONTA.SE o CERCA.VERT possono essere complicate da capire. Gli utenti di solito devono consultare documentazione o altre risorse per imparare a scrivere queste formule correttamente. Questo processo può essere dispendioso in termini di tempo e frustrante.
Esempi di problemi comuni
Considera un Utente che cerca di contare quante volte un determinato elemento appare in un elenco. Potrebbero sapere che esiste una funzione chiamata CONTA.SE, ma non come usarla correttamente. Senza aiuto, potrebbero non riuscire a creare la formula giusta, portando a errori nei loro calcoli. Situazioni del genere si verificano frequentemente e sottolineano la necessità di un sistema migliore per assistere gli utenti.
Imparare dai fogli simili
Una osservazione interessante è che molti fogli di calcolo creati all'interno della stessa organizzazione spesso sembrano piuttosto simili e usano formule simili. Questo apre la porta a un nuovo approccio per aiutare gli utenti a creare formule più facilmente.
Identificare fogli simili
Esaminando un gran numero di fogli di calcolo, possiamo trovare coppie simili nella disposizione e nella funzione. Per esempio, due fogli di calcolo potrebbero servire allo stesso scopo ma contenere dati diversi. Identificare questi "fogli simili" ci consente di imparare dalle formule esistenti e applicare queste conoscenze per aiutare gli utenti.
Come funziona il sistema di raccomandazione
Abbiamo sviluppato un sistema che prevede le formule che gli utenti vogliono creare apprendendo da formule esistenti in fogli di calcolo simili. Il processo può essere suddiviso in vari passaggi.
Passo 1: Trovare fogli simili
Il primo passo consiste nel scannerizzare una raccolta di fogli di calcolo per identificare quali assomigliano al foglio target, dove l'utente vuole inserire una formula. Questo è simile a come il software di riconoscimento facciale identifica volti simili.
Passo 2: Analizzare le formule di riferimento
Una volta trovati i fogli simili, cerchiamo formule esistenti al loro interno che possano fungere da riferimento. Esaminando il Contesto attorno a queste formule, possiamo ottenere informazioni su come sono state costruite. Questo contesto include i dati circostanti e come si relazionano alla formula.
Passo 3: Adattare la formula al contesto dell'utente
Dopo aver trovato una formula di riferimento, l'ultimo passo consiste nell'adattarla per soddisfare le esigenze dell'utente. Questo significa che cambiamo i parametri nella formula per corrispondere ai dati nel foglio di calcolo attuale dell'utente. Per esempio, se la formula di riferimento conta le occorrenze in una colonna diversa, la modifichiamo per contare le occorrenze nella colonna rilevante nel foglio di calcolo dell'utente.
Valutazione del sistema
Per testare quanto bene funzioni questo sistema, lo abbiamo valutato usando dati del mondo reale. In particolare, abbiamo raccolto migliaia di fogli di calcolo per misurare quanto accuratamente il sistema potesse prevedere formule utili.
Risultati della valutazione
I risultati hanno dimostrato che usare fogli simili ha migliorato significativamente l'accuratezza delle previsioni delle formule. Il nostro sistema ha superato i metodi esistenti, in particolare quelli che si basavano solo sull'analisi del contesto del linguaggio naturale senza considerare i fogli circostanti.
Sfide tecniche
Sebbene l'idea sembri semplice, ci sono diverse sfide da superare.
Identificare fogli simili
La prima sfida tecnica è determinare come riconoscere efficacemente fogli simili. Semplici confronti visivi spesso non sono sufficienti; dobbiamo tenere conto delle differenze nel numero di colonne, nella quantità di righe e di come sono organizzati i dati.
Problemi di scalabilità
Un'altra sfida è rendere il processo abbastanza veloce per l'uso in tempo reale. Gli utenti si aspettano suggerimenti rapidi quando lavorano nei loro fogli di calcolo. Questo significa che il sistema deve essere efficiente anche quando si tratta di un gran numero di fogli di calcolo.
Adattamento delle formule
Infine, adattare le formule di riferimento per soddisfare le esigenze dell'utente richiede un'attenta considerazione per garantire che le modifiche riflettano accuratamente il nuovo contesto.
Conclusione
Il metodo discusso promette un approccio più user-friendly per creare formule nei fogli di calcolo. Sfruttando le conoscenze esistenti da fogli simili, possiamo fornire raccomandazioni accurate che aiutano gli utenti ad evitare le trappole comuni nella scrittura delle formule. Questo non solo fa risparmiare tempo, ma riduce anche la frustrazione, rendendo l'uso dei fogli di calcolo più piacevole per tutti.
Guardando al futuro, puntiamo a migliorare ulteriormente questo sistema, potenzialmente espandendo le sue applicazioni oltre le raccomandazioni delle formule, includendo compiti come la rilevazione di errori e il riempimento dei dati.
Direzioni future
Guardando avanti, l'obiettivo è affinare ed espandere il nostro sistema, permettendogli di affrontare compiti più complessi all'interno dell'ambiente dei fogli di calcolo. Questo potrebbe portare a una maggiore usabilità e efficienza per gli utenti in vari settori.
Riepilogo
In sintesi, abbiamo sviluppato un sistema che prevede le formule desiderate nei fogli di calcolo apprendendo da quelle esistenti in documenti simili. Anche se ci sono sfide, i benefici potenziali per gli utenti sono significativi, rendendolo un'area promettente per ulteriori ricerche e sviluppi.
Con questo approccio, possiamo sperare di trasformare il modo in cui gli utenti comuni interagiscono con i fogli di calcolo, rendendo più facile per loro eseguire calcoli complessi e analisi senza richiedere competenze di programmazione avanzate.
Titolo: Auto-Formula: Recommend Formulas in Spreadsheets using Contrastive Learning for Table Representations
Estratto: Spreadsheets are widely recognized as the most popular end-user programming tools, which blend the power of formula-based computation, with an intuitive table-based interface. Today, spreadsheets are used by billions of users to manipulate tables, most of whom are neither database experts nor professional programmers. Despite the success of spreadsheets, authoring complex formulas remains challenging, as non-technical users need to look up and understand non-trivial formula syntax. To address this pain point, we leverage the observation that there is often an abundance of similar-looking spreadsheets in the same organization, which not only have similar data, but also share similar computation logic encoded as formulas. We develop an Auto-Formula system that can accurately predict formulas that users want to author in a target spreadsheet cell, by learning and adapting formulas that already exist in similar spreadsheets, using contrastive-learning techniques inspired by "similar-face recognition" from compute vision. Extensive evaluations on over 2K test formulas extracted from real enterprise spreadsheets show the effectiveness of Auto-Formula over alternatives. Our benchmark data is available at https://github.com/microsoft/Auto-Formula to facilitate future research.
Autori: Sibei Chen, Yeye He, Weiwei Cui, Ju Fan, Song Ge, Haidong Zhang, Dongmei Zhang, Surajit Chaudhuri
Ultimo aggiornamento: 2024-04-18 00:00:00
Lingua: English
URL di origine: https://arxiv.org/abs/2404.12608
Fonte PDF: https://arxiv.org/pdf/2404.12608
Licenza: https://creativecommons.org/licenses/by/4.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.
Link di riferimento
- https://tex.stackexchange.com/a/69832/226
- https://github.com/microsoft/Auto-Formula
- https://github.com/SheetJS/enron
- https://github.com/google-research/google-research/tree/master/spreadsheet_coder
- https://drive.google.com/file/d/1C1TJPHmwlVbjbndPsT8OCs8KDfSpSrfU/view?usp=drive_link
- https://ann-benchmarks.com/index.html
- https://github.com/erikbern/ann-benchmarks