CN112748909A - 基于神经网络模型的数据修改方法、装置、设备及介质 - Google Patents
基于神经网络模型的数据修改方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112748909A CN112748909A CN202110090310.7A CN202110090310A CN112748909A CN 112748909 A CN112748909 A CN 112748909A CN 202110090310 A CN202110090310 A CN 202110090310A CN 112748909 A CN112748909 A CN 112748909A
- Authority
- CN
- China
- Prior art keywords
- data modification
- data
- script
- neural network
- network model
- 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
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 123
- 238000002715 modification method Methods 0.000 title claims abstract description 25
- 230000004048 modification Effects 0.000 claims abstract description 494
- 238000012986 modification Methods 0.000 claims abstract description 484
- 238000013515 script Methods 0.000 claims abstract description 224
- 230000004044 response Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 35
- 238000012217 deletion Methods 0.000 claims description 11
- 230000037430 deletion Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/20—Software design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/14—Error detection or correction of the data by redundancy in operation
- G06F11/1402—Saving, restoring, recovering or retrying
- G06F11/1446—Point-in-time backing up or restoration of persistent data
- G06F11/1448—Management of the data involved in backup or backup restore
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
- G06F16/2445—Data retrieval commands; View definitions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/40—Transformation of program code
- G06F8/41—Compilation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本申请涉及人工智能技术领域,公开了一种基于神经网络模型的数据修改方法,包括:利用神经网络模型生成数据修改请求对应的数据修改脚本;调用数据修改脚本中的数据查询语句,以从目标数据库中获取第一目标数据;调用数据修改脚本中的数据修改语句,将所述第一目标数据修改为第二目标数据,并根据所述第一目标数据和所述第二目标数据生成数据修改预览表;将数据修改预览表进行输出显示,并当接收到所述数据修改预览表的确定响应时,执行所述数据修改脚本,以将所述目标数据库中的所述第一目标数据修改为所述第二目标数据。本申请还公开了一种基于神经网络模型的数据修改装置、计算机设备以及计算机可读存储介质。本申请提高了数据修改的效率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于神经网络模型的数据修改方法、基于神经网络模型的数据修改装置、计算机设备以及计算机可读存储介质。
背景技术
目前,当业务人员需要对业务数据进行修改时,需要通过业务平台上报修改流程,然后由开发人员编写相应的修改脚本,开发人员再将修改脚本发送至运维人员,再由运维人员去数据库中手动执行修改脚本。在这一过程中,不仅容易出错,而且效率低下。
上述内容仅用于辅助理解本申请的技术方案,并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种基于神经网络模型的数据修改方法、基于神经网络模型的数据修改装置、计算机设备以及计算机可读存储介质,旨在解决如何在保证数据修改的准确率的同时,提高数据修改的效率的问题。
为实现上述目的,本申请提供一种基于神经网络模型的数据修改方法,包括以下步骤:
接收到数据修改请求时,将所述数据修改请求输入到神经网络模型中,其中,所述数据修改请求包括数据修改方式、数据查询条件和数据库信息;所述神经网络模型基于多个数据修改脚本模板,以及所述数据修改脚本模板关联的数据修改请求训练得到;
检测到所述神经网络模型生成并输出所述数据修改请求对应的数据修改脚本时,调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据,其中,所述数据查询语句根据所述数据查询条件和所述数据库信息生成;
调用所述数据修改脚本中的所述数据修改方式对应的数据修改语句,将所述第一目标数据修改为第二目标数据,并根据所述第一目标数据和所述第二目标数据生成数据修改预览表;
将所述数据修改预览表进行输出显示,并当接收到所述数据修改预览表的确定响应时,执行所述数据修改脚本,以将所述目标数据库中的所述第一目标数据修改为所述第二目标数据。
进一步地,所述将所述数据修改请求输入到神经网络模型中的步骤之后,还包括:
检测到所述神经网络模型生成并输出所述数据修改请求对应的数据修改脚本时,检测所述数据修改脚本对应的数据修改方式是否为数据删除操作;
若否,则执行所述调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据的步骤;
若是,则执行所述数据修改脚本,以从所述目标数据库中删除所述第一目标数据。
进一步地,所述将所述数据修改请求输入到神经网络模型中的步骤之后,还包括:
检测到所述神经网络模型生成所述数据修改请求对应的数据修改脚本失败时,输出提示信息,以提示输入所述数据修改请求对应的数据修改脚本。
进一步地,所述将所述数据修改预览表进行输出显示的步骤之后,还包括:
当接收到所述数据修改预览表的否定响应时,输出提示信息,以提示输入所述数据修改请求对应的数据修改脚本。
进一步地,所述输出提示信息,以提示输入所述数据修改请求对应的数据修改脚本的步骤之后,还包括:
接收到输入的数据修改脚本时,基于所述输入的数据修改脚本,执行所述调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据的步骤。
进一步地,所述执行所述数据修改脚本的步骤之后,还包括:
对所述输入的数据修改脚本进行解析,得到所述输入的数据修改脚本对应的数据修改脚本模板和数据修改请求;
根据所述输入的数据修改脚本对应的数据修改脚本模板和数据修改请求,生成所述神经网络模型的训练样本;
基于所述训练样本对所述神经网络模型进行训练更新。
进一步地,所述执行所述数据修改脚本的步骤之前,还包括:
根据所述第一目标数据和所述数据修改请求,生成备份脚本。
为实现上述目的,本申请还提供一种基于神经网络模型的数据修改装置,所述基于神经网络模型的数据修改装置包括:
分析模块,用于接收到数据修改请求时,将所述数据修改请求输入到神经网络模型中,其中,所述数据修改请求包括数据修改方式、数据查询条件和数据库信息;所述神经网络模型基于多个数据修改脚本模板,以及所述数据修改脚本模板关联的数据修改请求训练得到;
处理模块,用于检测到所述神经网络模型生成并输出所述数据修改请求对应的数据修改脚本时,调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据,其中,所述数据查询语句根据所述数据查询条件和所述数据库信息生成;
调用模块,用于调用所述数据修改脚本中的所述数据修改方式对应的数据修改语句,将所述第一目标数据修改为第二目标数据,并根据所述第一目标数据和所述第二目标数据生成数据修改预览表;
执行模块,用于将所述数据修改预览表进行输出显示,并当接收到所述数据修改预览表的确定响应时,执行所述数据修改脚本,以将所述目标数据库中的所述第一目标数据修改为所述第二目标数据。
为实现上述目的,本申请还提供一种计算机设备,所述计算机设备包括:
所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络模型的数据修改程序,所述基于神经网络模型的数据修改程序被所述处理器执行时实现如上述基于神经网络模型的数据修改方法的步骤。
为实现上述目的,本申请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上存储有基于神经网络模型的数据修改程序,所述基于神经网络模型的数据修改程序被处理器执行时实现如上述基于神经网络模型的数据修改方法的步骤。
本申请提供的基于神经网络模型的数据修改方法、基于神经网络模型的数据修改装置、计算机设备以及计算机可读存储介质,通过自动生成数据修改脚本,并在执行数据修改脚本之前将修改前后的数据进行预览输出,待开发人员确认无误后,再通过执行数据修改脚本对目标数据库中的数据进行修改,从而实现在保证数据修改的准确率的同时,提高了数据修改的效率。
附图说明
图1为本申请一实施例中基于神经网络模型的数据修改方法步骤示意图;
图2为本申请一实施例的基于神经网络模型的数据修改装置示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,在一实施例中,所述基于神经网络模型的数据修改方法包括:
步骤S10、接收到数据修改请求时,将所述数据修改请求输入到神经网络模型中,其中,所述数据修改请求包括数据修改方式、数据查询条件和数据库信息;所述神经网络模型基于多个数据修改脚本模板,以及所述数据修改脚本模板关联的数据修改请求训练得到;
步骤S20、检测到所述神经网络模型生成并输出所述数据修改请求对应的数据修改脚本时,调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据,其中,所述数据查询语句根据所述数据查询条件和所述数据库信息生成;
步骤S30、调用所述数据修改脚本中的所述数据修改方式对应的数据修改语句,将所述第一目标数据修改为第二目标数据,并根据所述第一目标数据和所述第二目标数据生成数据修改预览表;
步骤S40、将所述数据修改预览表进行输出显示,并当接收到所述数据修改预览表的确定响应时,执行所述数据修改脚本,以将所述目标数据库中的所述第一目标数据修改为所述第二目标数据。
本实施例中,实施例终端可以是计算机设备,也可以是一种基于神经网络模型的数据修改装置。
如步骤S10所述:当业务部门需要对目标数据库中的数据进行修改时,首先需要通过预设的业务平台上报数据修改流程,修改流程经过相关审核人员的同意后,流转到运维人员问题平台,然后运维人员将修改修流程分配给相应的开发人员。开发人员接收到修改流程后,首先对修改流程中需要修改的数据进行分析,然后编写数据修改相关的数据修改请求后,再将数据修改请求输入到终端。
可选的,所述数据修改请求至少包括数据修改方式、数据查询条件和数据库信息。
其中,所述数据修改方式包括数据更新操作和数据删除操作这两种方式,且当数据修改方式描述为数据更新操作时,数据修改方式还可以进一步描述有数据更新操作具体更新的内容。
其中,所述数据查询条件用于限定数据修改请求针对的第一目标数据的查询条件,也可以理解为从目标数据库中筛选出第一目标数据的筛选条件,而数据查询条件可以具体为SQL(结构化查询语言)中的Where条件。数据查询条件可以是描述为字段名、字段类型、数值条件等,如当数据查询条件描述为字段名时,则可以查询得到该字段名对应的所有数据;如当数据查询条件描述为字段类型时,则可以查询得到该字段类型对应的所有数据;如当数据查询条件描述为数值条件时,则查询满足该数值条件的所有数据(例如数据查询条件为X<800时,则查询所有数据值小于800的数据)。
需要说明的是,第一目标数据即为数据修改请求所请求修改的目标数据库中的数据。
其中,所述数据库信息,至少包括数据表名;当目标数据库为数据服务器时,数据库信息还应包括数据库IP地址和端口信息;若数据服务器还需要使用账户登录,则数据库信息还应包括数据库的用户名和密码。当然,若目标数据库具有多个时,则总的数据库信息中应包括各个目标数据库对应的数据库信息。
可选的,当终端接收到输入的数据修改请求时,则将数据修改请求输入至预先训练完成的神经网络模型中,以利用神经网络模型生成该数据修改请求对应的数据修改脚本。
可选的,终端预先基于人工智能和深度学习技术,构建有神经网络模型,所述神经网络模型利用多个训练样本训练得到。其中,每个训练样本均包括数据修改脚本模板和数据修改模板关联的数据修改请求;所述数据修改脚本模板主要由SQL语句组成;所述训练样本的数量足够多,例如具有一万份以上的训练样本。
需要说明的是,无论对是数据进行数据更新操作还是数据删除操作,相应的SQL语句中至少包括数据修改方式、数据库表名和Where条件三个关键词。例如,用于执行数据更新操作的SQL语句由UPDATE+表名+set+“字段名=值”+where条件组成,用于执行数据删除操作的SQL语句由DELETE+from+表名+where条件组成。
可选的,在神经网络模型基于多个训练样本进行多次迭代训练后,当终端检测到神经网络模型达到收敛,则判定神经网络模型训练完成。此时训练完成的神经网络模型,即可训练得到数据修改脚本模板与其关联的数据修改请求之间的对应关系。
当终端将接收到的数据修改请求输入到神经网络模型中进行分析时,神经网络模型则会从之前训练得到的对应关系中查询与该数据修改请求对应的数据修改脚本模板,并基于此生成该数据修改请求对应的数据修改脚本。
如步骤S20所述:当神经网络模型从之前训练得到的对应关系中,查询得到与终端输入的数据修改请求对应的数据修改脚本模板时,则会根据该数据修改请求中描述的相关信息(即数据修改方式、数据查询条件和数据库信息)和查询得到的数据修改脚本模板,生成该数据修改请求对应的数据修改脚本,然后再将生成的数据修改脚本作为输出值输出。
可选的,当终端检测到神经网络模型输出了数据修改脚本时,则判定检测到神经网络模型生成并输出所述数据修改请求对应的数据修改脚本,即将神经网络模型输出的数据修改脚本作为该数据修改请求对应的数据修改脚本。
进一步地,当终端检测到数据修改脚本对应的数据修改方式为数据更新操作时,则调用数据修改脚本中的数据查询语句,以从数据修改请求描述的数据库信息对应的目标数据库中,查询并获取数据修改请求针对的第一目标数据。
其中,神经网络模型在生成数据修改脚本时,会根据数据修改请求中的数据库信息和数据查询条件生成数据修改脚本中的数据查询语句(语句类型为SQL语句)。这样,终端即可基于数据修改脚本中的数据查询语句从目标数据库中查询并获取第一目标数据。
如步骤S30所述:神经网络模型在生成数据修改脚本时,还会根据数据修改请求中的数据修改方式生成数据修改脚本中的数据修改语句(语句类型为SQL语句)。
当终端获取到第一目标数据后,则将第一目标数据备份,然后调用数据修改脚本中的数据修改语句,将第一目标数据修改并更新为第二目标数据。应当理解的是,具体的数据修改过程基于数据修改请求中的数据修改方式决定;第二目标数据即为修改后的第一目标数据。
需要说明的是,当数据修改请求中的数据修改方式为数据删除操作时,则第二目标数据为空值。
可选的,神经网络模型也可以是将在生成数据修改脚本时,根据数据修改请求中包括的数据修改方式、数据查询条件和数据库信息,直接生成兼具数据查询语句和数据修改语句功能的SQL语句,当终端利用该SQL语句中的数据查询功能获取第一目标数据,先对该SQL语句中的数据修改功能进行拦截,待终端对第一目标数据进行备份后,再放行该SQL语句中的数据修改功能,以将第一目标数据修改并更新为第二目标数据。
进一步地,终端在得到第二目标数据后,则从备份中获取第一目标数据,然后根据第一目标数据和第二目标数据生成数据修改预览表。
如步骤S40所述:当终端生成数据修改预览表后,可以将数据修改预览表输出显示,其中,在数据修改预览表中,可以是将第一目标数据与第二目标数据并列展示。这样,开发人员基于数据修改预览表即可清楚了解到第一目标数据修改前后的样式。
可选的,若开发人员基于数据修改预览表确定第一目标数据修改无误后,则可以通过关联设备向终端发出数据修改预览表的确定响应;若开发人员基于数据修改预览表确定第一目标数据修改有误时,则可以通过关联设备向终端发出数据修改预览表的否定响应。
可选的,当终端接收到关联设备发出的数据修改预览表的确定响应时,或者在数据修改预览表输出后的第一预设时长内未接收到数据修改预览表的否定响应时,则执行数据修改脚本,以利用数据修改脚本对目标数据库中的第一目标数据进行修改,并将目标数据库中的第一目标数据修改为第二目标数据。
其中,所述第一预设时长可以根据实际情况需要设置,如设置为10分钟、30分钟等。
在一实施例中,通过自动生成数据修改脚本,并在执行数据修改脚本之前将修改前后的数据进行预览输出,待开发人员确认无误后,再通过执行数据修改脚本对目标数据库中的数据进行修改,从而实现在保证数据修改的准确率的同时,提高了数据修改的效率。
在一实施例中,在上述实施例基础上,所述将所述数据修改请求输入到神经网络模型中的步骤之后,还包括:
步骤S50、检测到所述神经网络模型生成并输出所述数据修改请求对应的数据修改脚本时,检测所述数据修改脚本对应的数据修改方式是否为数据删除操作;
步骤S51、若否,则执行所述调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据的步骤;
步骤S52、若是,则执行所述数据修改脚本,以从所述目标数据库中删除所述第一目标数据。
本实施例中,当终端检测到神经网络模型输出了数据修改脚本时,则判定检测到神经网络模型生成并输出所述数据修改请求对应的数据修改脚本,即将神经网络模型输出的数据修改脚本作为该数据修改请求对应的数据修改脚本。
进一步地,终端在得到数据修改请求对应的数据修改脚本后,还可以先检测该数据修改脚本对应的数据修改方式是否为数据删除操作。应当理解的是,数据修改脚本对应的数据修改方式,与数据修改脚本对应的数据修改请求描述的数据修改方式一致。
可选的,当终端检测到数据修改脚本对应的数据修改方式并非是数据删除操作,而是数据更新操作时,则执行所述调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据的步骤,并基于后续步骤S30-S40的执行,生成相应的数据修改预览表供开发人员确认。
可选的,当终端检测到数据修改脚本对应的数据修改方式为数据删除操作时,则直接执行数据修改脚本,以利用数据修改脚本对目标数据库中的第一目标数据进行删除。
当然,若数据修改请求针对多种类型的第一目标数据,则终端只在检测到所有类型的第一目标数据对应的数据修改方式均为数据删除操作时,再直接执行数据修改脚本,否则则是执行所述调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据的步骤。
这样,通过实现只针对数据更新操作对应的数据修改脚本生成输出相应的数据修改预览表供开发人员确定,而直接执行数据删除操作对应的数据修改脚本,从而提高了对数据修改请求针对的数据进行修改的效率。
在一实施例中,在上述实施例基础上,所述将所述数据修改请求输入到神经网络模型中的步骤之后,还包括:
步骤S60、检测到所述神经网络模型生成所述数据修改请求对应的数据修改脚本失败时,输出提示信息,以提示输入所述数据修改请求对应的数据修改脚本。
本实施例中,基于神经网络模型的训练样本的数量的局限性,可能会存在训练得到的神经网络模型无法适应于所有的数据修改请求的情况,因此当神经网络模型从之前训练得到的对应关系中,未查询得到与终端输入的数据修改请求对应的数据修改脚本模板时,则无法生成该数据修改请求对应的数据修改脚本。
可选的,当终端检测到在将数据修改请求输入到神经网络模型之后的第二预设时长内,未检测到神经网络模型有输出数据修改脚本时,则判定检测到所述神经网络模型生成所述数据修改请求对应的数据修改脚本失败,并输出提示信息,以提示开发人员输入人工编写的数据修改请求对应的数据修改脚本。其中,所述第二预设时长可根据神经网络模式的具体数据处理速度进行设置,本实施例对此不作限定。
这样,只在无法利用神经网络模型自动生成数据修改脚本时,再提示开发人员人工编写并输入数据修改脚本,在一定程度上提高了对数据库数据进行修改的效率。
在一实施例中,在上述实施例基础上,所述将所述数据修改预览表进行输出显示的步骤之后,还包括:
步骤S70、当接收到所述数据修改预览表的否定响应时,输出提示信息,以提示输入所述数据修改请求对应的数据修改脚本。
本实施例中,当终端生成数据修改预览表后,可以将数据修改预览表输出显示,若开发人员基于数据修改预览表确定第一目标数据修改无误后,则可以通过关联设备向终端发出数据修改预览表的确定响应;若开发人员基于数据修改预览表确定第一目标数据修改有误时,则可以通过关联设备向终端发出数据修改预览表的否定响应。
可选的,当终端接收到数据修改预览表的否定响应时,则判定数据修改脚本错误,并输出提示信息,以提示开发人员输入人工编写的数据修改请求对应的数据修改脚本。其中,所述第二预设时长可根据神经网络模式的具体数据处理速度进行设置,本实施例对此不作限定。
这样,只在神经网络模型自动生成数据修改脚本无法使用时,再提示开发人员人工编写并输入数据修改脚本,在一定程度上提高了对数据库数据进行修改的效率。
在一实施例中,在上述实施例基础上,所述输出提示信息,以提示输入所述数据修改请求对应的数据修改脚本的步骤之后,还包括:
步骤S80、接收到输入的数据修改脚本时,基于所述输入的数据修改脚本,执行所述调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据的步骤。
本实施例中,当终端输出提示信息,以提示开发人员输入人工编写的数据修改请求对应的数据修改脚本后,开发人员可以手动编写数据修改请求对应的数据修改脚本,并将编写完成的数据修改脚本输入到终端。
当终端接收到输入的数据修改脚本时,则将该数据修改脚本与之前接收到是数据修改请求关联,并基于当前输入的数据修改脚本执行所述调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据的步骤,并基于后续步骤S30-S40的执行,生成相应的数据修改预览表供开发人员确认。
可选的,若终端检测到数据修改脚本对应的数据修改方式为数据删除操作时,也可以是直接执行数据修改脚本,以利用数据修改脚本对目标数据库中的第一目标数据进行删除。
当然,若数据修改请求针对多种类型的第一目标数据,则终端只在检测到所有类型的第一目标数据对应的数据修改方式均为数据删除操作时,再直接执行数据修改脚本,否则则是执行所述调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据的步骤。
这样,只在无法利用神经网络模型自动生成数据修改脚本,或自动生成的数据修改脚本发生错误时,再提示开发人员人工编写并输入数据修改脚本,并在执行数据修改脚本之前将修改前后的数据进行预览输出,待开发人员确认无误后,再通过执行数据修改脚本对目标数据库中的数据进行修改,从而实现在保证数据修改的准确率的同时,提高了数据修改的效率。
在一实施例中,在上述实施例基础上,所述执行所述数据修改脚本的步骤之后,还包括:
步骤S90、对所述输入的数据修改脚本进行解析,得到所述输入的数据修改脚本对应的数据修改脚本模板和数据修改请求;
步骤S91、根据所述输入的数据修改脚本对应的数据修改脚本模板和数据修改请求,生成所述神经网络模型的训练样本;
步骤S92、基于所述训练样本对所述神经网络模型进行训练更新。
本实施例中,终端在执行输入的数据修改脚本完毕后,则可以利用正则表达式对输入的数据脚本进行解析,从中提取出数据修改方式、数据查询条件和数据库信息等关键信息,并根据关键信息生成该数据修改脚本对应的数据修改请求,以及将关键信息从数据修改脚本中删除,得到数据修改脚本模板。
进一步地,终端根据所述输入的数据修改脚本对应的数据修改脚本模板和数据修改请求,生成所述神经网络模型的训练样本(即得到新的训练样本)。
进一步地,当终端检测到神经网络模型空闲时,或者检测到新的训练样本的数量大于预设数量时,则将新的训练样本输入到神经网络模型中,以对神经网络模型进行迭代更新。其中,所述预设数量可以根据实际情况需要设置,本实施例对此不作限定。
这样,通过增加神经网络模型的训练样本数量,可以提高神经网络模型生成数据修改脚本的成功率。
在一实施例中,在上述实施例基础上,所述执行所述数据修改脚本的步骤之前,还包括:
步骤S100、根据所述第一目标数据和所述数据修改请求,生成备份脚本。
本实施例中,终端在执行数据修改脚本,以对目标数据库中的第一目标数据进行修改之前,可以先基于数据修改脚本中的数据查询语句从目标数据库中获取第一目标数据到终端。
进一步地,终端根据第一目标数据以及当前待执行的数据修改脚本对应的数据修改请求(包括数据修改方式、数据查询条件和数据库信息),生成与数据修改脚本的操作逻辑相反的备份脚本,并将备份脚本与该数据修改脚本关联。所述备份脚本可用于还原数据修改脚本对应的数据修改操作。例如,当数据修改脚本作用于将第一数据修改为第二数据,则备份脚本则是将第二数据还原为第一数据。
当终端在执行数据修改脚本,对目标数据库中的第一目标数据进行修改之后,若用户想要还原第一目标数据,则可以向终端发出第一目标数据的还原指令。
当终端接收到还原指令时,则查询还原指令关联的数据修改脚本,然后获取查询得到的数据修改脚本对应的备份脚本,并通过执行该备份脚本,以使第一目标数据可在目标数据库中进行还原。
这样,通过生成待修改数据的备份脚本,即便有数据误删的情况发生也可以随时基于备份脚本还原数据,从而提高了执行数据修改操作时的安全性。
参照图2,本申请实施例中还提供一种基于神经网络模型的数据修改装置10,包括:
分析模块11,用于接收到数据修改请求时,将所述数据修改请求输入到神经网络模型中,其中,所述数据修改请求包括数据修改方式、数据查询条件和数据库信息;所述神经网络模型基于多个数据修改脚本模板,以及所述数据修改脚本模板关联的数据修改请求训练得到;
处理模块12,用于检测到所述神经网络模型生成并输出所述数据修改请求对应的数据修改脚本时,调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据,其中,所述数据查询语句根据所述数据查询条件和所述数据库信息生成;
调用模块13,用于调用所述数据修改脚本中的所述数据修改方式对应的数据修改语句,将所述第一目标数据修改为第二目标数据,并根据所述第一目标数据和所述第二目标数据生成数据修改预览表;
执行模块14,用于将所述数据修改预览表进行输出显示,并当接收到所述数据修改预览表的确定响应时,执行所述数据修改脚本,以将所述目标数据库中的所述第一目标数据修改为所述第二目标数据。
在一实施例中,在上述实施例基础上,所述基于神经网络模型的数据修改装置还包括:
检测模块,用于检测到所述神经网络模型生成并输出所述数据修改请求对应的数据修改脚本时,检测所述数据修改脚本对应的数据修改方式是否为数据删除操作;
第一判定模块,用于若否,则执行所述调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据的步骤;
第二判定模块,用于若是,则执行所述数据修改脚本,以从所述目标数据库中删除所述第一目标数据。
进一步地,所述基于神经网络模型的数据修改装置还包括:
提示模块,用于检测到所述神经网络模型生成所述数据修改请求对应的数据修改脚本失败时,输出提示信息,以提示输入所述数据修改请求对应的数据修改脚本。
进一步地,所述提示模块,还用于当接收到所述数据修改预览表的否定响应时,输出提示信息,以提示输入所述数据修改请求对应的数据修改脚本。
进一步地,所述执行模块,还用于接收到输入的数据修改脚本时,基于所述输入的数据修改脚本,执行所述调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据的步骤。
进一步地,所述基于神经网络模型的数据修改装置还包括:
解析模块,用于对所述输入的数据修改脚本进行解析,得到所述输入的数据修改脚本对应的数据修改脚本模板和数据修改请求;
生成模块,用于根据所述输入的数据修改脚本对应的数据修改脚本模板和数据修改请求,生成所述神经网络模型的训练样本;
更新模块,用于基于所述训练样本对所述神经网络模型进行训练更新。
进一步地,所述基于神经网络模型的数据修改装置还包括:
备份模块,用于根据所述第一目标数据和所述数据修改请求,生成备份脚本。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于基于神经网络模型的数据修改程序。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于神经网络模型的数据修改方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
此外,本申请还提出一种计算机可读存储介质,所述计算机可读存储介质包括基于神经网络模型的数据修改程序,所述基于神经网络模型的数据修改程序被处理器执行时实现如以上实施例所述的基于神经网络模型的数据修改方法的步骤。可以理解的是,本实施例中的计算机可读存储介质可以是易失性可读存储介质,也可以为非易失性可读存储介质。
综上所述,为本申请实施例中提供的基于神经网络模型的数据修改方法、基于神经网络模型的数据修改装置、计算机设备和存储介质,通过自动生成数据修改脚本,并在执行数据修改脚本之前将修改前后的数据进行预览输出,待开发人员确认无误后,再通过执行数据修改脚本对目标数据库中的数据进行修改,从而实现在保证数据修改的准确率的同时,提高了数据修改的效率。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于神经网络模型的数据修改方法,其特征在于,包括:
接收到数据修改请求时,将所述数据修改请求输入到神经网络模型中,其中,所述数据修改请求包括数据修改方式、数据查询条件和数据库信息;所述神经网络模型基于多个数据修改脚本模板,以及所述数据修改脚本模板关联的数据修改请求训练得到;
检测到所述神经网络模型生成并输出所述数据修改请求对应的数据修改脚本时,调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据,其中,所述数据查询语句根据所述数据查询条件和所述数据库信息生成;
调用所述数据修改脚本中的所述数据修改方式对应的数据修改语句,将所述第一目标数据修改为第二目标数据,并根据所述第一目标数据和所述第二目标数据生成数据修改预览表;
将所述数据修改预览表进行输出显示,并当接收到所述数据修改预览表的确定响应时,执行所述数据修改脚本,以将所述目标数据库中的所述第一目标数据修改为所述第二目标数据。
2.如权利要求1所述的基于神经网络模型的数据修改方法,其特征在于,所述将所述数据修改请求输入到神经网络模型中的步骤之后,还包括:
检测到所述神经网络模型生成并输出所述数据修改请求对应的数据修改脚本时,检测所述数据修改脚本对应的数据修改方式是否为数据删除操作;
若否,则执行所述调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据的步骤;
若是,则执行所述数据修改脚本,以从所述目标数据库中删除所述第一目标数据。
3.如权利要求1所述的基于神经网络模型的数据修改方法,其特征在于,所述将所述数据修改请求输入到神经网络模型中的步骤之后,还包括:
检测到所述神经网络模型生成所述数据修改请求对应的数据修改脚本失败时,输出提示信息,以提示输入所述数据修改请求对应的数据修改脚本。
4.如权利要求1所述的基于神经网络模型的数据修改方法,其特征在于,所述将所述数据修改预览表进行输出显示的步骤之后,还包括:
当接收到所述数据修改预览表的否定响应时,输出提示信息,以提示输入所述数据修改请求对应的数据修改脚本。
5.如权利要求3或4所述的基于神经网络模型的数据修改方法,其特征在于,所述输出提示信息,以提示输入所述数据修改请求对应的数据修改脚本的步骤之后,还包括:
接收到输入的数据修改脚本时,基于所述输入的数据修改脚本,执行所述调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据的步骤。
6.如权利要求5所述的基于神经网络模型的数据修改方法,其特征在于,所述执行所述数据修改脚本的步骤之后,还包括:
对所述输入的数据修改脚本进行解析,得到所述输入的数据修改脚本对应的数据修改脚本模板和数据修改请求;
根据所述输入的数据修改脚本对应的数据修改脚本模板和数据修改请求,生成所述神经网络模型的训练样本;
基于所述训练样本对所述神经网络模型进行训练更新。
7.如权利要求1或2所述的基于神经网络模型的数据修改方法,其特征在于,所述执行所述数据修改脚本的步骤之前,还包括:
根据所述第一目标数据和所述数据修改请求,生成备份脚本。
8.一种基于神经网络模型的数据修改装置,其特征在于,包括:
分析模块,用于接收到数据修改请求时,将所述数据修改请求输入到神经网络模型中,其中,所述数据修改请求包括数据修改方式、数据查询条件和数据库信息;所述神经网络模型基于多个数据修改脚本模板,以及所述数据修改脚本模板关联的数据修改请求训练得到;
处理模块,用于检测到所述神经网络模型生成并输出所述数据修改请求对应的数据修改脚本时,调用所述数据修改脚本中的数据查询语句,以从所述数据库信息对应的目标数据库中获取所述数据修改请求针对的第一目标数据,其中,所述数据查询语句根据所述数据查询条件和所述数据库信息生成;
调用模块,用于调用所述数据修改脚本中的所述数据修改方式对应的数据修改语句,将所述第一目标数据修改为第二目标数据,并根据所述第一目标数据和所述第二目标数据生成数据修改预览表;
执行模块,用于将所述数据修改预览表进行输出显示,并当接收到所述数据修改预览表的确定响应时,执行所述数据修改脚本,以将所述目标数据库中的所述第一目标数据修改为所述第二目标数据。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络模型的数据修改程序,所述基于神经网络模型的数据修改程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于神经网络模型的数据修改方法的步骤。
10.一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基于神经网络模型的数据修改程序,所述基于神经网络模型的数据修改程序被处理器执行时实现如权利要求1至7中任一项所述的基于神经网络模型的数据修改方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110090310.7A CN112748909A (zh) | 2021-01-22 | 2021-01-22 | 基于神经网络模型的数据修改方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110090310.7A CN112748909A (zh) | 2021-01-22 | 2021-01-22 | 基于神经网络模型的数据修改方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112748909A true CN112748909A (zh) | 2021-05-04 |
Family
ID=75652973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110090310.7A Pending CN112748909A (zh) | 2021-01-22 | 2021-01-22 | 基于神经网络模型的数据修改方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112748909A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117215A (zh) * | 2017-06-23 | 2019-01-01 | 埃森哲环球解决方案有限公司 | 自学习机器人过程自动化 |
CN110109897A (zh) * | 2019-04-15 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 数据库脚本生成方法、装置、计算机设备和存储介质 |
CN110378114A (zh) * | 2019-07-24 | 2019-10-25 | 北京百度网讯科技有限公司 | 用于处理数据的方法和装置 |
CN110941630A (zh) * | 2019-10-25 | 2020-03-31 | 泰康保险集团股份有限公司 | 一种数据库运维方法、装置及系统 |
CN111737227A (zh) * | 2020-06-22 | 2020-10-02 | 平安健康保险股份有限公司 | 数据修改方法及系统 |
CN112163131A (zh) * | 2020-11-10 | 2021-01-01 | 平安普惠企业管理有限公司 | 业务数据查询平台的配置方法、装置、计算机设备及介质 |
-
2021
- 2021-01-22 CN CN202110090310.7A patent/CN112748909A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117215A (zh) * | 2017-06-23 | 2019-01-01 | 埃森哲环球解决方案有限公司 | 自学习机器人过程自动化 |
CN110109897A (zh) * | 2019-04-15 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 数据库脚本生成方法、装置、计算机设备和存储介质 |
CN110378114A (zh) * | 2019-07-24 | 2019-10-25 | 北京百度网讯科技有限公司 | 用于处理数据的方法和装置 |
CN110941630A (zh) * | 2019-10-25 | 2020-03-31 | 泰康保险集团股份有限公司 | 一种数据库运维方法、装置及系统 |
CN111737227A (zh) * | 2020-06-22 | 2020-10-02 | 平安健康保险股份有限公司 | 数据修改方法及系统 |
CN112163131A (zh) * | 2020-11-10 | 2021-01-01 | 平安普惠企业管理有限公司 | 业务数据查询平台的配置方法、装置、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109062883B (zh) | 数据表动态导出方法、装置、计算机设备及存储介质 | |
CN108446116B (zh) | 应用程序页面的生成方法、装置、计算机设备和存储介质 | |
CN109446068B (zh) | 接口测试方法、装置、计算机设备和存储介质 | |
CN111679965A (zh) | 自动化测试方法、装置、计算机设备和存储介质 | |
US11061806B2 (en) | Self-correcting dependent software upgrades | |
CN112527815A (zh) | 数据库的脚本迁移方法、装置、计算机设备和存储介质 | |
CN109710220B (zh) | 关系型数据库查询方法、装置、设备及存储介质 | |
CN111368029B (zh) | 基于意图三元组的交互方法、装置、设备及存储介质 | |
US10073686B1 (en) | Function serialization for inter-thread messaging | |
CN111324375A (zh) | 代码管理方法、装置、计算机设备和存储介质 | |
CN112748909A (zh) | 基于神经网络模型的数据修改方法、装置、设备及介质 | |
US20080172659A1 (en) | Harmonizing a test file and test configuration in a revision control system | |
WO2023155274A1 (zh) | 基于rpa和ai的招聘信息发布方法及装置 | |
AU2016100156A4 (en) | Data Structure, Model for Populating a Data Structure and Method of Programming a Processing Device Utilising a Data Structure | |
US11256557B1 (en) | Efficient processing of rule-based computing workflows | |
CN115185821A (zh) | 程序测试中版本标注方法、系统、设备及存储介质 | |
CN112950145B (zh) | 一种协查工单的处理方法、装置、介质及电子设备 | |
CN112363929B (zh) | 系统上线方法、装置、计算机设备及存储介质 | |
CN114003486A (zh) | 一种插件调试方法、客户端、服务器及存储介质 | |
US20210349808A1 (en) | Source quality check service | |
CN114138734A (zh) | 基于Web的面向数据库及文件资源的版本管理方法 | |
CN112363745A (zh) | 规则文件的管理方法、装置、计算机设备及存储介质 | |
CN114968346A (zh) | Ddl脚本的字段注释检测方法、装置、设备及存储介质 | |
CN112463836A (zh) | 基于Django框架的数据查询方法、装置、计算机设备和介质 | |
CN112445499A (zh) | 衍生变量确定方法、装置、设备和存储介质 |
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 |