CN109325035A - 相似表的识别方法及装置 - Google Patents

相似表的识别方法及装置 Download PDF

Info

Publication number
CN109325035A
CN109325035A CN201811446237.7A CN201811446237A CN109325035A CN 109325035 A CN109325035 A CN 109325035A CN 201811446237 A CN201811446237 A CN 201811446237A CN 109325035 A CN109325035 A CN 109325035A
Authority
CN
China
Prior art keywords
text
identified
similarity value
similar
data warehouse
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811446237.7A
Other languages
English (en)
Inventor
陈志远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201811446237.7A priority Critical patent/CN109325035A/zh
Publication of CN109325035A publication Critical patent/CN109325035A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书实施例提供了一种相似表的识别方法及装置,该方法包括:获取数据仓库中多个待识别表所对应的表信息;其中,该表信息包括待识别表中字段名称;分别将每个待识别表所对应的表信息转换为对应的一个文本,以得到多个文本;确定多个文本之间的相似度值;基于相似度值识别数据仓库中相似的表。

Description

相似表的识别方法及装置
技术领域
本申请涉及数据处理技术领域,尤其涉及一种相似表的识别方法及装置。
背景技术
表,是数据仓库中用来存储数据的对象,数据在表中按行与列的格式组织排列,表中的每一列都设计为存储某种类型的信息,例如,姓名、日期等。当前一些主流数据库,如mysql、oracle、hive等都是采用表的形式存储数据。
随着业务的快速发展,数据仓库中所存储的数据也越来越多,因此,存储在数据仓库中的表也就越来越多。这样可能会导致数据仓库中的表混乱,使得数据使用方不容易找到需要的数据的问题出现。并且,由于研发人员各自开发,可能会存在数据重复加工,产生大量冗余的表的问题。
因此,亟需提出一种技术方案,以实现可以将相似的表识别出来,从而实现对数据仓库中的表进行整理归类以及减少冗余表。
发明内容
本说明书实施例的目的是提供一种相似表的识别方法及装置,根据数据仓库中每个待识别表所对应的表信息,将数据仓库中的表转换成对应的文本,通过相似文本的识别,实现相似表的识别;本说明书实施例实现了对相似表的识别,并且为自动化识别,降低了人力成本,并且识别效率高。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供了一种相似表的识别方法,包括:
获取数据仓库中多个待识别表所对应的表信息;其中,所述表信息包括所述待识别表中字段名称;
分别将每个所述待识别表所对应的表信息转换为对应的一个文本,以得到多个文本;
确定所述多个文本之间的相似度值;
基于所述相似度值识别所述数据仓库中相似的表。
本说明书实施例还提供了一种相似表的识别装置,包括:
获取模块,用于获取数据仓库中多个待识别表所对应的表信息;其中,所述表信息包括所述待识别表中字段名称;
转换模块,用于分别将每个所述待识别表所对应的表信息转换为对应的一个文本,以得到多个文本;
确定模块,用于确定所述多个文本之间的相似度值;
识别模块,用于基于所述相似度值识别所述数据仓库中相似的表。
本说明书实施例还提供了一种相似表的识别设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取数据仓库中多个待识别表所对应的表信息;其中,所述表信息包括所述待识别表中字段名称;
分别将每个所述待识别表所对应的表信息转换为对应的一个文本,以得到多个文本;
确定所述多个文本之间的相似度值;
基于所述相似度值识别所述数据仓库中相似的表。
本说明书实施例还提供了一种存储介质,用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:
获取数据仓库中多个待识别表所对应的表信息;其中,所述表信息包括所述待识别表中字段名称;
分别将每个所述待识别表所对应的表信息转换为对应的一个文本,以得到多个文本;
确定所述多个文本之间的相似度值;
基于所述相似度值识别所述数据仓库中相似的表。
本实施例中的技术方案,根据数据仓库中每个待识别表所对应的表信息,将数据仓库中的表转换成对应的文本,通过相似文本的识别,实现相似表的识别;本说明书实施例实现了对相似表的识别,并且为自动化识别,降低了人力成本,并且识别效率高。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,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。
图1为本说明书实施例提供的相似表的识别方法的方法流程图之一;
图2为本说明书实施例提供的相似表的识别方法中,将表信息转换为文本的流程示意图;
图3为本说明书实施例提供的相似表的识别方法的方法流程图之二;
图4为本说明书实施例提供的相似表的识别方法的方法流程图之三;
图5为本说明书实施例提供的相似表的识别装置的模块组成示意图;
图6为本说明书实施例提供的相似表的识别设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,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。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本说明书书实施例所提供的相似表的识别方法,将数据仓库中的表转换成对应的文本,通过相似文本的识别,实现相似表的识别;本说明书实施例实现了对相似表的识别,并且为自动化识别,降低了人力成本,并且识别效率高。
图1为本说明书实施例提供的相似表的识别方法的方法流程图之一,图1所示的方法,至少包括如下步骤:
步骤102,获取数据仓库中多个待识别表所对应的表信息;其中,上述表信息包括待识别表中字段名称。
本说明书实施例所提供的方法的执行主体可以为相似表的识别装置,具体的,在步骤102中,由相似表的识别装置从数据仓库中读取每个待识别表所对应的表信息。
上述表信息可以只包括该待识别表中的字段名称。为便于理解本说明书实施例中所提及到的字段名称,下述将通过具体表举例进行说明。
表1
姓名 年龄 班级
张三 8 一(2)班
李四 9 二(1)班
王五 8 一(3)班
例如,存储在数据仓库中某待识别表如表1所示。在表1中,“姓名”、“年龄”和“班级”则为表1中的字段名称。
当然,上述表1只是示例性说明,并不构成对本说明书实施例的限定。
另外,在本说明书实施例中,上述表信息除了包括待识别表中字段名称外,还可以包括以下信息中的一种或者多种:
待识别表所对应的抽取-交互转换-加载(Extract-Transform-Load,ETL)数据、待识别表的名称、待识别表的表注释、待识别表的字段注释、待识别表所对应的开发人员信息以及待识别表所对应的访问信息。
其中,上述待识别表所对应的ETL数据可以为对待识别表所存储的数据进行抽取-交换转换-加载的代码。
上述待识别表所对应的访问信息可以包括待识别表被访问的次数、每次访问的时间等信息。
上述待识别表的表注释可以理解为针对该表的文字说明,例如,可以为该表的用途等;同样的,上述待识别表的字段注释则为针对待识别表中字段的文字说明,例如,可以为该字段的用途等。
步骤104,分别将每个待识别表所对应的表信息转换为对应的一个文本,以得到多个文本。
在具体实施时,上述步骤104中,一个待识别表所对应的表信息转换为一个文本。将表信息转换为文本实际可以理解为,将表信息以文本的形式进行存储。
其中,将每个待识别表所对应的表信息转换为对应的一个文本,具体包括:
针对每个待识别表,将该待识别表所对应的表信息中的各条信息进行拼接,得到该待识别表所对应的文本。
在具体实施时,可以将待识别表所对应的表信息中的各条信息拼接到一个文本中,则得到该待识别表所对应的文本。
为便于理解,下述将具体进行说明。
继续沿用表1,若是上述表信息为表中的字段名称,则上述表1所对应的文本的一种可能形式为“姓名年龄班级”。
在具体实施时,可以将表信息转换为对应的文本的流程示意图如图2所示,将ETL代码、表名称、字段名称、表注释、字段注释、访问信息和开发人员信息,进行拼接,形成该表所对应的一个文本。
步骤106,确定多个文本之间的相似度值。
步骤108,基于上述相似度值识别数据仓库中相似的表。
在本说明书实施例中,将各文本之间的相似度值作为各待识别表之间的相似度值,据此,识别数据仓库中相似的表。
为便于理解,下述将详细介绍上述步骤106和步骤108的具体实现过程。
在上述步骤106中,确定多个文本之间的相似度值,具体包括如下步骤一和步骤二;
步骤一、针对每个所述文本,分别计算该文本中的各个字词在文本库中的词频-逆向文件频率TF-IDF值;其中,上述文本库为所有文本所组成的文本集合;
步骤二、基于每个文本中各字词所对应的TF-IDF值,计算多个文本之间的相似度值。
例如,数据仓库中存在三个待识别表,分别记为待识别表1、待识别表2和待识别表3,待识别表1所对应为文本记为文本1、待识别表2所对应的文本记为文本2、待识别表3所对应的文本记为文本3,则文本库则为文本1、文本2和文本3所组成的文本集合。
下述将以计算文本1中的各个字词在文本库中的TF-IDF值为例,介绍本说明书实施例中TF-IDF值的具体计算过程。
首先,将文本d进行拆分,得到文本d中各个字词,针对文本d中的每个字词,通过如下公式1计算文本d中的字词所对应的词频(TF)。
其中,在上述公式中,t表示文本d中的字词,d表示文本d,nt,d表示在文件d中字词t出现的次数书,∑knk,d表示在文本d中所有字词的出现次数之和,即文本d中的总字词数,TFt,d表示字词t在文本d中的词频。
例如,上述文本1的总词语数是100个,而"母牛"出现了3次,那么"母牛"一词在文本1中的词频就是3/100=0.03。
具体的,可以通过如下公式2计算各字词所对应的逆文档频率;
其中,在公式2中,N表示文本库中所包含的文本的数目,dft表示的是文本库中包含有字词t的文本的数目,IDFt表示的是字词t的逆文档频率。
例如,文本库中包含6个文本,而出现了字词“母牛”的文本为3个,则“母牛”一词所对应的逆文档频率则为lg(6/3)=lg2。
在计算出文本d中字词t所对应的词频和逆文档频率后,则通过如下公式3计算文本d中字词t所对应的TF-IDF值;
TF-IDFt,d=TFt,d*IDFt 公式3
其中,在公式3中,TF-IDFt,d表示文本d中字词t所对应的词频-逆文档频率,TFt,d标识字词t在文本d中的词频,IDFt表示的是字词t的逆文档频率。
当然,上述只是介绍了计算文本中各字词所对应的TF-IDF的一种具体实现方式,此外,还可以通过TF和IDF的多种变形进行计算,本说明书实施例不再一一列举。
通过上述过程可以计算出每个文本中的每个字词所对应的TF-IDF值,再计算出每个文本中的每个字词所对应的TF-IDF值后,则通过上述步骤二计算多个文本之间的相似度值。
另外,需要说明的是,由于上述表信息还可以包括表中数据所对应的ETL代码,因此,若是文本中包括ETL代码,则可以以ETL代码中的空格作为各个字词的划分依据。
例如,包含在文本中代码为INSERT INTO tablename(field1,field2,…,fieldn)VALUES(value1,vaule2,…,valuen),则该代码中所对应的各个字词则为INSERT、INTO、tablename(field1,field2,…,fieldn)、VALUES(value1,vaule2,…,valuen)。
当然,本说明书实施例只是示例性介绍针对代码中字词的一种具体划分方式,并不构成对本说明书实施例的限定。
其中,上述步骤二中,基于每个文本中各字词所对应的TF-IDF值,计算多个文本之间的相似度值,具体包括如下步骤(1)和步骤(2);
步骤(1)、针对每个文本,基于该文本中各个字词所对应的TF-IDF值,确定该文本所对应的向量;
步骤(2)、计算每个文本所对应的向量之间的相似度值,作为文本之间的相似度值。
在上述步骤(1)中,将每个文本看作一个向量,该向量中的分量则对应文本库中的每个字词。因此,在确定每个文本所对应的向量时,可以若是某个分量所对应的字词在该文本中出现时,则可以直接将该文本该字词所对应的TF-IDF值作为该文本所对应向量的分量值,若是某个分量所对应的字词在该文本中未出现,则将该分量值直接记为0。
为便于理解,下述将举例进行说明。
例如,文本库包括文本1、文本2和文本3,文本1为“今天天气晴朗”,文本2为“今天阴天”,文本3为“今天下雨”,则文本向量中各个分量所对应的字词则为“今天”、“天气”、“晴朗”、“阴天”和“下雨”,即该文本向量可以记为:A=(A1,A2,A3,A4,A5),则A1对应的字词为“今天”,A2对应的字词为“天气”,A3对应的字词为“晴朗”,A4对应的字词为“阴天”,A5对应的字词为“下雨”。
由于文本1中包含字词“今天”、“天气”和“晴朗”,因此,文本1所对应的向量中,A4和A5的值均为0,A1的值则为“今天”在文本1中所对应的TF-IDF值,A2的值则为“天气”在文本1中所对应的TF-IDF值,A3的值则为“晴朗”在文本1中所对应的TF-IDF值,因此,文本1所对应的向量则为A1=(TF-IDF今天,1,TF-IDF天气,1,TF-IDF晴朗,1,0,0);由于文本2中只包含字词“今天”和“阴天”,因此,文本2所对应的向量中,A2、A3和A5的值均为0,A1的值则为“今天”在文本2中所对应的TF-IDF值,A4的值则为“阴天”在文本2中所对应的TF-IDF值,因此,文本2所对应的向量则为A2=(TF-IDF今天,2,0,0,TF-IDF阴天,2,0)。
当然,在本说明书实施例中,还可以采用其他方法确定各文本所对应的文本向量,例如,采用快速文本分类器(fasttext)或者word2vec等方法,本说明书实施例不再一一列举。
具体的,在步骤(2)中,在计算每个文本所对应的向量之间的相似度值时,可以通过计算向量之间的余弦相似度值、向量之间的欧氏距离、向量之间的曼哈顿距离等计算向量之间的相似度值。下述将以计算向量之间的余弦相似度值为例,介绍上述步骤(2)的具体实现过程。
在本说明书实施例中,可以计算通过计算任意两个向量之间的相似度值的方式,计算每个向量之间的相似度值。例如,文本库包括文本1、文本2和文本3,则在计算文本之间的相似度值时,可以计算文本1所对应向量与文本2所对应向量之间的相似度值1,计算文本1所对应向量与文本3所对应向量之间的相似度值2,计算文本2和文本3所对应向量之间的相似度值3,将相似度值1作为文本1与文本2之间的相似度值,将相似度值2作为文本1和文本3之间的相似度值,将相似度值3作为文本2和文本3之间的相似度值。
可以通过如下公式4计算任意两个文本所对应的向量之间的相似度值;
其中,在公式4中,cosθ表示向量A和向量B之间的余弦相似度(即相似度值),Ai表示向量A中的第i个分量,Bi表示向量B中的第i个分量,n表示向量A和向量B中所包含的分量的个数。
若是两个向量之间的相似度值越大,则说明这两个文本之间的相似度越大。
在计算出各文本之间的相似度值后,则执行上述步骤108,即基于相似度值识别数据仓库中相似的表。
具体的,上述步骤108中,基于相似度值识别数据仓库中相似的表,具体包括:筛选出相似度值大于或等于预设阈值的文本;根据筛选出的文本识别所述数据仓库中相似的表。
需要说明的是,各文本之间的相似度值则为对应的表之间的相似度值,例如,文本1为表1所对应的表信息转换得到的,文本2为表2所对应的表信息转换得到的,则文本1和文本2之间的相似度值则为表1和表2之间的相似度值。
在具体实施时,由于计算的为文本库中任意两个文本之间的相似度值,即得到的为数据仓库中任意两个待识别表之间的相似度值,将各相似度值与预设阈值进行比较,若是该相似度值大于或等于预设阈值,则认为该相似度值所对应的两个文本为相似文本,即该文本所对应的待识别表为相似的表。
为便于理解,下述将举例进行说明。
例如,数据仓库中的待识别表包括待识别表1、待识别表2、待识别表3和待识别表4,待识别表1对应文本1,待识别表2对应文本2,待识别表3对应文本3,待识别表4对应文本4,通过计算得出文本1和文本2之间的相似度值为0.9,文本1和文本3之间的相似度值为0.91,文本1和文本4之间的相似度值为0.89,文本2和文本3之间的相似度值为0.92,文本2和文本4之间的相似度值为0.87,文本3和文本4之间的相似度值为0.83,预设阈值为0.9,通过与预设阈值比较,则认为文本1和文本2为相似文本,文本1和文本3为相似文本,文本2和文本3为相似文本,即文本1、文本2和文本3为相似文本,所以数据仓库中待识别表1、待识别表2和待识别表3为相似的表。
图3为本说明书实施例提供的相似表的识别方法的方法流程图之二,图3所示的方法至少包括如下步骤:
步骤302,获取数据仓库中多个待识别表所对应的表信息。
其中,上述表信息包括表中字段名称、表的名称、表注释、字段注释、开发人员信息、访问信息、ETL代码等信息。
步骤304,将每个待识别表所对应的表信息中的各条信息进行拼接,得到每个待识别表所对应的一个文本。
步骤306,针对每个文本,计算该文本中各字词在文本库中的TF-IDF值;其中,上述文本库为所有文本所形成的文本集合。
步骤308,根据每个文本中各字词所对应的TF-IDF值,计算多个文本之间的相似度值。
步骤310,判断上述各相似度值是否大于或等于预设阈值;若是,则执行步骤312。
步骤312,将该文本所对应的表确定为相似表。
其中,上述图3所对应实施例中各步骤的具体实现过程与图1、图2所对应实施例中各步骤的具体实现过程相同,因此,可参考图1、图2所对应实施例,此处不再赘述。
为便于理解本说明书实施例提供的方法,下述将通过具体实施介绍本说明书实施例所提供的方法,图4示出了本说明书实施例提供的相似文本的识别方法的方法流程图之三,在图4所示的相似文本识别流程中,以数据仓库中包括表1、表2和表3三个表为例举例进行说明。图4所示的方法,至少包括如下步骤:
步骤402,获取表1、表2和表3所对应的表信息。
其中,上述表信息包括表中字段名称、表的名称、表注释、字段注释、开发人员信息、访问信息、ETL代码等信息。
步骤404,分别将表1、表2和表3所对应的表信息转换为文本,得到文本1、文本2和文本3。
其中,上述文本1为表1的表信息所对应的文本,文本2为表2的表信息所对应的文本,文本3为表3的表信息所对应的文本。
步骤406,分别计算文本1、文本2和文本3中的各字词在文本库中的TF-IDF值;其中,文本库为文本1、文本2和文本3所形成的文本集合。
步骤408,根据上述各文本中各字词所对应的TF-IDF值,计算文本1、文本2和文本3所对应的向量。
步骤410,计算上述各向量之间的余弦相似度值,作为对应的文本之间的相似度值。
其中,文本1所对应的向量记为向量1,文本2所对应的向量记为向量2,文本3所对应的向量记为向量3,分别计算向量1和向量2之间的余弦相似度,作为文本1和文本2之间的相似度值,计算向量1和向量3之间的余弦相似度,作为文本1和文本3之间的相似度值,计算向量2和向量3之间的余弦相似度,作为文本2和文本3之间的相似度值。
步骤412,判断上述各相似度值是否大于或等于预设阈值;若是,则执行步骤414。
步骤414,将相似度值大于或等于预设阈值的文本所对应的表确定为相似表。
例如,若是文本1和文本2之间的相似度值大于或等于预设阈值,文本2和文本3之间的相似度值小于预设阈值,则认为该数据仓库中表1和表2为相似表;还例如,若是文本1和文本2之间的相似度值大于或等于预设阈值,文本1和文本2之间的相似度值大于或等于预设阈值,文本2和文本3之间的相似度阈值大于或等于预设阈值,则认为该数据仓库中的表1、表2和表3为相似表。
其中,上述图4所对应实施例中各步骤的具体实现过程与图1、图2所对应实施例中各步骤的具体实现过程相同,因此,可参考图1、图2所对应实施例,此处不再赘述。
本说明书实施例提供的相似表的识别方法,根据数据仓库中每个待识别表所对应的表信息,将数据仓库中的表转换成对应的文本,通过相似文本的识别,实现相似表的识别;本说明书实施例实现了对相似表的识别,并且为自动化识别,降低了人力成本,并且识别效率高。
对应于本说明书实施例提供的方法,基于相同的思路,本说明书实施例还提供了一种相似表的识别装置,用于执行本说明书实施例提供的相似表的识别方法,图5为本说明书实施例提供的相似表的识别装置的模块组成示意图,图5所示的装置,包括:
获取模块502,用于获取数据仓库中多个待识别表所对应的表信息;其中,表信息包括待识别表中字段名称;
转换模块504,用于分别将每个待识别表所对应的表信息转换为对应的一个文本,以得到多个文本;
确定模块506,用于确定多个文本之间的相似度值;
识别模块508,用于基于相似度值识别数据仓库中相似的表。
可选的,上述表信息包括还包括以下信息中的一种或者多种:
待识别表所对应的抽取-交互转换-加载ETL数据、待识别表的名称、待识别表的表注释、待识别表的字段注释、待识别表所对应的开发人员信息以及待识别表所对应的访问信息。
可选的,上述转换模块504,包括:
拼接单元,用于针对每个待识别表,将待识别表所对应的表信息中的各条信息进行拼接,得到待识别表所对应的文本。
可选的,上述确定模块506,包括:
第一计算单元,用于针对每个文本,分别计算文本中的各个字词在文本库中的词频-逆文档频率TF-IDF值;其中,文本库为所有文本所组成的文本集合;
第二计算单元,用于基于每个文本中各字词所对应的TF-IDF值,计算多个文本之间的相似度值。
可选的,上述第一计算单元,具体用于:
针对每个文本,基于文本中各个字词所对应的TF-IDF值,确定文本所对应的向量;计算每个文本所对应的向量之间的相似度值,作为文本之间的相似度值。
可选的,上述识别模块508,包括:
筛选单元,用于筛选出相似度值大于或等于预设阈值的文本;
识别单元,用于根据筛选出的文本识别数据仓库中相似的表。
本说明书实施例的相似表的识别装置还可执行图1-图4中相似表的识别装置执行的方法,并实现相似表的识别装置在图1-图4所示实施例的功能,在此不再赘述。
本说明书实施例提供的相似表的识别装置,根据数据仓库中每个待识别表所对应的表信息,将数据仓库中的表转换成对应的文本,通过相似文本的识别,实现相似表的识别;本说明书实施例实现了对相似表的识别,并且为自动化识别,降低了人力成本,并且识别效率高。
进一步地,基于上述图1至图4所示的方法,本说明书实施例还提供了一种相似表的识别设备,如图6所示。
相似表的识别设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器601和存储器602,存储器602中可以存储有一个或一个以上存储应用程序或数据。其中,存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对相似表的识别设备中的一系列计算机可执行指令信息。更进一步地,处理器601可以设置为与存储器602通信,在相似表的识别设备上执行存储器602中的一系列计算机可执行指令信息。相似表的识别设备还可以包括一个或一个以上电源603,一个或一个以上有线或无线网络接口604,一个或一个以上输入输出接口605,一个或一个以上键盘606等。
在一个具体的实施例中,相似表的识别设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对相似表的识别设备中的一系列计算机可执行指令信息,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令信息:
获取数据仓库中多个待识别表所对应的表信息;其中,表信息包括待识别表中字段名称;
分别将每个待识别表所对应的表信息转换为对应的一个文本,以得到多个文本;
确定多个文本之间的相似度值;
基于相似度值识别数据仓库中相似的表。
可选的,计算机可执行指令信息在被执行时,上述表信息包括还包括以下信息中的一种或者多种:
待识别表所对应的抽取-交互转换-加载ETL数据、待识别表的名称、待识别表的表注释、待识别表的字段注释、待识别表所对应的开发人员信息以及待识别表所对应的访问信息。
可选的,计算机可执行指令信息在被执行时,分别将每个待识别表所对应的表信息转换为对应的一个文本,包括:
针对每个待识别表,将待识别表所对应的表信息中的各条信息进行拼接,得到待识别表所对应的文本。
可选的,计算机可执行指令信息在被执行时,确定多个文本之间的相似度值,包括:
针对每个文本,分别计算文本中的各个字词在文本库中的词频-逆文档频率TF-IDF值;其中,文本库为所有文本所组成的文本集合;
基于每个文本中各字词所对应的TF-IDF值,计算多个文本之间的相似度值。
可选的,计算机可执行指令信息在被执行时,基于每个文本中各字词所对应的TF-IDF值,计算多个文本之间的相似度值,包括:
针对每个文本,基于文本中各个字词所对应的TF-IDF值,确定文本所对应的向量;
计算每个文本所对应的向量之间的相似度值,作为文本之间的相似度值。
可选的,计算机可执行指令信息在被执行时,基于相似度值识别数据仓库中相似的表,包括:
筛选出相似度值大于或等于预设阈值的文本;
根据筛选出的文本识别数据仓库中相似的表。
本说明书实施例提供的相似表的识别设备,根据数据仓库中每个待识别表所对应的表信息,将数据仓库中的表转换成对应的文本,通过相似文本的识别,实现相似表的识别;本说明书实施例实现了对相似表的识别,并且为自动化识别,降低了人力成本,并且识别效率高。
进一步地,基于上述图1至图4所示的方法,本说明书实施例还提供了一种存储介质,用于存储计算机可执行指令信息,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令信息在被处理器执行时,能实现以下流程:
获取数据仓库中多个待识别表所对应的表信息;其中,表信息包括待识别表中字段名称;
分别将每个待识别表所对应的表信息转换为对应的一个文本,以得到多个文本;
确定多个文本之间的相似度值;
基于相似度值识别数据仓库中相似的表。
可选的,该存储介质存储的计算机可执行指令信息在被处理器执行时,上述表信息包括还包括以下信息中的一种或者多种:
待识别表所对应的抽取-交互转换-加载ETL数据、待识别表的名称、待识别表的表注释、待识别表的字段注释、待识别表所对应的开发人员信息以及待识别表所对应的访问信息。
可选的,该存储介质存储的计算机可执行指令信息在被处理器执行时,分别将每个待识别表所对应的表信息转换为对应的一个文本,包括:
针对每个待识别表,将待识别表所对应的表信息中的各条信息进行拼接,得到待识别表所对应的文本。
可选的,该存储介质存储的计算机可执行指令信息在被处理器执行时,确定多个文本之间的相似度值,包括:
针对每个文本,分别计算文本中的各个字词在文本库中的词频-逆文档频率TF-IDF值;其中,文本库为所有文本所组成的文本集合;
基于每个文本中各字词所对应的TF-IDF值,计算多个文本之间的相似度值。
可选的,该存储介质存储的计算机可执行指令信息在被处理器执行时,基于每个文本中各字词所对应的TF-IDF值,计算多个文本之间的相似度值,包括:
针对每个文本,基于文本中各个字词所对应的TF-IDF值,确定文本所对应的向量;
计算每个文本所对应的向量之间的相似度值,作为文本之间的相似度值。
可选的,该存储介质存储的计算机可执行指令信息在被处理器执行时,基于相似度值识别数据仓库中相似的表,包括:
筛选出相似度值大于或等于预设阈值的文本;
根据筛选出的文本识别数据仓库中相似的表。
本说明书实施例提供的存储介质存储的计算机可执行指令信息在被处理器执行时,根据数据仓库中每个待识别表所对应的表信息,将数据仓库中的表转换成对应的文本,通过相似文本的识别,实现相似表的识别;本说明书实施例实现了对相似表的识别,并且为自动化识别,降低了人力成本,并且识别效率高。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令信息实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令信息到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令信息产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令信息也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令信息产生包括指令信息装置的制造品,该指令信息装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令信息也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令信息提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令信息、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令信息的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种相似表的识别方法,所述方法包括:
获取数据仓库中多个待识别表所对应的表信息;其中,所述表信息包括所述待识别表中字段名称;
分别将每个所述待识别表所对应的表信息转换为对应的一个文本,以得到多个文本;
确定所述多个文本之间的相似度值;
基于所述相似度值识别所述数据仓库中相似的表。
2.如权利要求1所述的方法,所述表信息包括还包括以下信息中的一种或者多种:
所述待识别表所对应的抽取-交互转换-加载ETL数据、所述待识别表的名称、所述待识别表的表注释、所述待识别表的字段注释、所述待识别表所对应的开发人员信息以及所述待识别表所对应的访问信息。
3.如权利要求1或2所述的方法,所述分别将每个所述待识别表所对应的表信息转换为对应的一个文本,包括:
针对每个所述待识别表,将所述待识别表所对应的表信息中的各条信息进行拼接,得到所述待识别表所对应的文本。
4.如权利要求1或2所述的方法,所述确定所述多个文本之间的相似度值,包括:
针对每个所述文本,分别计算所述文本中的各个字词在文本库中的词频-逆文档频率TF-IDF值;其中,所述文本库为所有所述文本所组成的文本集合;
基于每个所述文本中各字词所对应的TF-IDF值,计算所述多个文本之间的相似度值。
5.如权利要求4所述的方法,所述基于每个所述文本中各字词所对应的TF-IDF值,计算所述多个文本之间的相似度值,包括:
针对每个所述文本,基于所述文本中各个字词所对应的TF-IDF值,确定所述文本所对应的向量;
计算每个文本所对应的向量之间的相似度值,作为所述文本之间的相似度值。
6.如权利要求1所述的方法,所述基于所述相似度值识别所述数据仓库中相似的表,包括:
筛选出所述相似度值大于或等于预设阈值的文本;
根据筛选出的所述文本识别所述数据仓库中相似的表。
7.一种相似表的识别装置,所述装置包括:
获取模块,用于获取数据仓库中多个待识别表所对应的表信息;其中,所述表信息包括所述待识别表中字段名称;
转换模块,用于分别将每个所述待识别表所对应的表信息转换为对应的一个文本,以得到多个文本;
确定模块,用于确定所述多个文本之间的相似度值;
识别模块,用于基于所述相似度值识别所述数据仓库中相似的表。
8.如权利要求7所述的装置,所述表信息包括还包括以下信息中的一种或者多种:
所述待识别表所对应的抽取-交互转换-加载ETL数据、所述待识别表的名称、所述待识别表的表注释、所述待识别表的字段注释、所述待识别表所对应的开发人员信息以及所述待识别表所对应的访问信息。
9.如权利要求7或8所述的装置,所述转换模块,包括:
拼接单元,用于针对每个所述待识别表,将所述待识别表所对应的表信息中的各条信息进行拼接,得到所述待识别表所对应的文本。
10.如权利要求7或8所述的装置,所述确定模块,包括:
第一计算单元,用于针对每个所述文本,分别计算所述文本中的各个字词在文本库中的词频-逆文档频率TF-IDF值;其中,所述文本库为所有所述文本所组成的文本集合;
第二计算单元,用于基于每个所述文本中各字词所对应的TF-IDF值,计算所述多个文本之间的相似度值。
11.如权利要求10所述的装置,所述第一计算单元,具体用于:
针对每个所述文本,基于所述文本中各个字词所对应的TF-IDF值,确定所述文本所对应的向量;计算每个文本所对应的向量之间的相似度值,作为所述文本之间的相似度值。
12.如权利要求7所述的装置,所述识别模块,包括:
筛选单元,用于筛选出所述相似度值大于或等于预设阈值的文本;
识别单元,用于根据筛选出的所述文本识别所述数据仓库中相似的表。
13.一种相似表的识别设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取数据仓库中多个待识别表所对应的表信息;其中,所述表信息包括所述待识别表中字段名称;
分别将每个所述待识别表所对应的表信息转换为对应的一个文本,以得到多个文本;
确定所述多个文本之间的相似度值;
基于所述相似度值识别所述数据仓库中相似的表。
14.一种存储介质,用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:
获取数据仓库中多个待识别表所对应的表信息;其中,所述表信息包括所述待识别表中字段名称;
分别将每个所述待识别表所对应的表信息转换为对应的一个文本,以得到多个文本;
确定所述多个文本之间的相似度值;
基于所述相似度值识别所述数据仓库中相似的表。
CN201811446237.7A 2018-11-29 2018-11-29 相似表的识别方法及装置 Pending CN109325035A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811446237.7A CN109325035A (zh) 2018-11-29 2018-11-29 相似表的识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811446237.7A CN109325035A (zh) 2018-11-29 2018-11-29 相似表的识别方法及装置

Publications (1)

Publication Number Publication Date
CN109325035A true CN109325035A (zh) 2019-02-12

Family

ID=65259516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811446237.7A Pending CN109325035A (zh) 2018-11-29 2018-11-29 相似表的识别方法及装置

Country Status (1)

Country Link
CN (1) CN109325035A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929493A (zh) * 2020-02-16 2020-03-27 广州信安数据有限公司 数据管理方法、冗余数据检测方法、存储介质及数据系统
WO2020199482A1 (zh) * 2019-04-04 2020-10-08 平安科技(深圳)有限公司 大样本研报信息提取方法、装置、设备及存储介质
CN116226686A (zh) * 2023-05-08 2023-06-06 南方电网数字电网研究院有限公司 一种表格相似性分析方法、装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102626A (zh) * 2014-07-07 2014-10-15 厦门推特信息科技有限公司 一种用于短文本语义相似度计算的方法
CN106777025A (zh) * 2016-12-08 2017-05-31 北京中电普华信息技术有限公司 一种数据库物理模型的分析方法及系统
CN107766376A (zh) * 2016-08-19 2018-03-06 华为技术有限公司 数据对齐方法及装置
CN108595614A (zh) * 2018-04-20 2018-09-28 成都智信电子技术有限公司 应用于his系统的数据表映射方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102626A (zh) * 2014-07-07 2014-10-15 厦门推特信息科技有限公司 一种用于短文本语义相似度计算的方法
CN107766376A (zh) * 2016-08-19 2018-03-06 华为技术有限公司 数据对齐方法及装置
CN106777025A (zh) * 2016-12-08 2017-05-31 北京中电普华信息技术有限公司 一种数据库物理模型的分析方法及系统
CN108595614A (zh) * 2018-04-20 2018-09-28 成都智信电子技术有限公司 应用于his系统的数据表映射方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020199482A1 (zh) * 2019-04-04 2020-10-08 平安科技(深圳)有限公司 大样本研报信息提取方法、装置、设备及存储介质
CN110929493A (zh) * 2020-02-16 2020-03-27 广州信安数据有限公司 数据管理方法、冗余数据检测方法、存储介质及数据系统
CN116226686A (zh) * 2023-05-08 2023-06-06 南方电网数字电网研究院有限公司 一种表格相似性分析方法、装置、设备和存储介质
CN116226686B (zh) * 2023-05-08 2023-08-18 南方电网数字电网研究院有限公司 一种表格相似性分析方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN107391527A (zh) 一种基于区块链的数据处理方法及设备
CN107562467A (zh) 页面渲染方法、装置及设备
CN109086961A (zh) 一种信息风险监测方法及装置
CN107679700A (zh) 业务流程处理方法、装置及服务器
CN109325035A (zh) 相似表的识别方法及装置
CN105989089A (zh) 一种数据对比方法及装置
CN108346107A (zh) 一种社交内容风险识别方法、装置以及设备
CN109241026A (zh) 数据管理的方法、装置及系统
CN115828162B (zh) 一种分类模型训练的方法、装置、存储介质及电子设备
CN107402945A (zh) 词库生成方法及装置、短文本检测方法及装置
CN110008991A (zh) 风险事件的识别、风险识别模型的生成方法及装置
CN111753878A (zh) 一种网络模型部署方法、设备及介质
CN110119507A (zh) 词向量生成方法、装置以及设备
CN109597678A (zh) 任务处理方法及装置
CN110032727A (zh) 风险识别方法及装置
CN109166021A (zh) 记账方法、装置及业务财务一体化系统
CN108875743A (zh) 一种文本识别方法及装置
CN108921190A (zh) 一种图像分类方法、装置及电子设备
CN107491484A (zh) 一种数据匹配方法、装置及设备
CN110033092B (zh) 数据标签生成、模型训练、事件识别方法和装置
CN109739814A (zh) 一种文件存储及下载方法、装置及设备
CN109583473A (zh) 一种特征数据的生成方法及装置
CN108804563A (zh) 一种数据标注方法、装置以及设备
CN109656946A (zh) 一种多表关联查询方法、装置及设备
CN108519986A (zh) 一种网页生成方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20201012

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20201012

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20190212

RJ01 Rejection of invention patent application after publication