CN116450724A - 数据处理方法、装置、计算机设备及存储介质 - Google Patents
数据处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116450724A CN116450724A CN202310433406.8A CN202310433406A CN116450724A CN 116450724 A CN116450724 A CN 116450724A CN 202310433406 A CN202310433406 A CN 202310433406A CN 116450724 A CN116450724 A CN 116450724A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- information
- user
- configuration information
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 149
- 238000007405 data analysis Methods 0.000 claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 230000001960 triggered effect Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 27
- 230000004048 modification Effects 0.000 claims description 18
- 238000012986 modification Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Hardware Design (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请实施例属于人工智能领域,涉及一种数据处理方法,包括:判断是否接收到用户触发与目标数据分析系统对应的数据加工请求;若是,展示数据配置页面,并接收用户在数据配置页面输入的数据加工配置信息;基于事实表配置信息与维表配置信息生成星型模型;基于星型模型生成与分析需求信息对应的目标结构化查询语句;从目标数据库查询与目标结构化查询语句对应的目标数据;基于数据输入周期信息将目标数据输入至目标数据分析系统内。本申请还提供一种数据处理装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,目标数据可存储于区块链中。本申请降低了对数据分析系统的数据输入的处理成本,提高了对数据分析系统的数据输入的处理效率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及数据处理方法、装置、计算机设备及存储介质。
背景技术
随着金融企业的规模及业务的不断增长,现有大部分的金融企业均在业务运作过程中经常会使用到数据分析系统Druid,且目前通常会具有对数据分析系统进行数据输入的业务需求。现有对于对数据分析系统进行数据输入的处理流程通常采用宽表模型加工方式,需要开发人员手写与数据输入相关的SQL语句,由于每个开发人员风格、指标口径不一致,加工逻辑需手工维护,从而需要消耗较多的人力时间资源,导致对数据分析系统的数据输入存在处理成本较高,且处理效率低下的问题。
发明内容
本申请实施例的目的在于提出一种数据处理方法、装置、计算机设备及存储介质,用于解决现有的对数据分析系统进行数据输入的处理流程需要消耗较多的人力时间资源,导致对数据分析系统的数据输入存在处理成本较高,且处理效率低下的技术问题。
为了解决上述技术问题,本申请实施例提供一种数据处理方法,采用了如下所述的技术方案:
判断是否接收到用户触发与目标数据分析系统对应的数据加工请求;
若是,展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息;其中,所述数据加工配置信息至少包括事实表配置信息、维表配置信息、分析需求信息以及数据输入周期信息;
基于所述事实表配置信息与所述维表配置信息生成对应的星型模型;
基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句;
将所述目标结构化查询语句下发至预设的目标数据库中,从所述目标数据库中查询出与所述目标结构化查询语句对应的目标数据;
基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内。
进一步的,所述基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句的步骤,具体包括:
基于所述星型模型对所述分析需求信息进行解析,从所述分析需求信息中获取语句构建关键信息;其中,所述语句构建关键信息至少包括字段信息、表信息、分组维度信息以及筛选条件信息;
基于所述语句构建关键信息生成所述目标结构化查询语句。
进一步的,所述基于所述事实表配置信息与所述维表配置信息生成对应的星型模型的步骤,具体包括:
基于所述事实表配置信息构建对应的事实表;以及,
基于所述维表配置信息构建对应的维表;
获取所述事实表与所述维表之间的关联关系;
基于所述关联关系生成所述星型模型。
进一步的,在所述基于所述维表配置信息构建对应的维表的步骤之后,还包括:
判断是否接收到所述用户触发的对于目标表的编辑请求;其中,所述目标表包括所述事实表或所述维表;
若是,展示包含所述目标表的可编辑页面;
接收所述用户在所述可编辑页面输入的修改信息;
基于所述修改信息对所述目标表进行对应的修改处理。
进一步的,所述基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内的步骤,具体包括:
基于所述数据输入周期信息,生成与所述目标数据对应的定时数据输入任务;
获取当前时间;
在当前时间到达所述数据输入周期信息对应的时间点时,执行所述定时数据输入任务,以将所述目标数据输入至所述目标数据分析系统内。
进一步的,所述数据加工请求还携带所述用户的用户信息,所述展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息的步骤,具体包括:
从所述数据加工请求中解析出所述用户信息;
判断预设的合法用户名单中是否存储有所述用户信息;
若存储有所述用户信息,从预设的图像数据库中获取与所述用户信息对应的标准人脸图像;
采集所述用户的人脸图像;
对所述人脸图像进行图像增强处理,得到对应的目标人脸图像;
判断所述目标人脸图像与所述标准人脸图像是否匹配;
若匹配,判定所述用户通过身份验证,并执行所述展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息的步骤。
进一步的,所述对所述人脸图像进行图像增强处理,得到对应的目标人脸图像的步骤,具体包括:
调用预先训练好的图像增强模型;
将所述人脸图像输入至所述图像增强模型内;
通过所述图像增强模型对所述人脸图像进行图像增强处理,得到所述目标人脸图像。
为了解决上述技术问题,本申请实施例还提供一种数据处理装置,采用了如下所述的技术方案:
判断模块,用于判断是否接收到用户触发与目标数据分析系统对应的数据加工请求;
接收模块,用于若是,展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息;其中,所述数据加工配置信息至少包括事实表配置信息、维表配置信息、分析需求信息以及数据输入周期信息;
第一生成模块,用于基于所述事实表配置信息与所述维表配置信息生成对应的星型模型;
第二生成模块,用于基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句;
查询模块,用于将所述目标结构化查询语句下发至预设的目标数据库中,从所述目标数据库中查询出与所述目标结构化查询语句对应的目标数据;
处理模块,用于基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
判断是否接收到用户触发与目标数据分析系统对应的数据加工请求;
若是,展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息;其中,所述数据加工配置信息至少包括事实表配置信息、维表配置信息、分析需求信息以及数据输入周期信息;
基于所述事实表配置信息与所述维表配置信息生成对应的星型模型;
基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句;
将所述目标结构化查询语句下发至预设的目标数据库中,从所述目标数据库中查询出与所述目标结构化查询语句对应的目标数据;
基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
判断是否接收到用户触发与目标数据分析系统对应的数据加工请求;
若是,展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息;其中,所述数据加工配置信息至少包括事实表配置信息、维表配置信息、分析需求信息以及数据输入周期信息;
基于所述事实表配置信息与所述维表配置信息生成对应的星型模型;
基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句;
将所述目标结构化查询语句下发至预设的目标数据库中,从所述目标数据库中查询出与所述目标结构化查询语句对应的目标数据;
基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先判断是否接收到用户触发与目标数据分析系统对应的数据加工请求;若是,展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息;然后基于所述事实表配置信息与所述维表配置信息生成对应的星型模型;之后基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句;后续将所述目标结构化查询语句下发至预设的目标数据库中,从所述目标数据库中查询出与所述目标结构化查询语句对应的目标数据;最后基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内。通过本申请实施例可以根据用户输入的表配置信息与维表配置信息构建星型模型,进而利用该星型模型对用户输入的分析需求信息进行分析处理,以实现自动构建生成与数据加工请求相对应的目标结构化查询语句,从而无需开发人员手写结构化查询语句,提高了目标结构化查询语句的生成效率与生成智能性。另外,通过目标数据库的使用可以自动查询出与所述目标结构化查询语句对应的目标数据,并会根据用户输入的数据输入周期信息,来自动进行目标数据输入至目标数据分析系统内的加工操作,提高了对于目标数据的加工操作的规范性,降低了对数据分析系统的数据输入的处理成本,提高了用户的使用体验。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的数据处理方法的一个实施例的流程图;
图3是根据本申请的数据处理装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio LayerIV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的数据处理方法一般由服务器/终端设备执行,相应地,数据处理装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的数据处理方法的一个实施例的流程图。所述的数据处理方法,包括以下步骤:
步骤S201,判断是否接收到用户触发与目标数据分析系统对应的数据加工请求。
在本实施例中,数据处理方法运行于其上的电子设备(例如图1所示的服务器/终端设备),可以通过有线连接方式或者无线连接方式获取数据加工请求。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。上述目标数据分析系统具体可为Druid。Druid是一个开源的,分布式的,列存储的,适用于实时数据分析的存储系统,能够快速聚合、灵活过滤、毫秒级查询、和低延迟数据导入。其中,所述数据加工请求还可携带用户的用户信息,用户信息可包括用户姓名或用户ID。另外,上述数据加工请求为用户触发的用于在目标数据分析系统中输入相应的业务数据以实现数据加工的请求
步骤S202,若是,展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息;其中,所述数据加工配置信息至少包括事实表配置信息、维表配置信息、分析需求信息以及数据输入周期信息。
在本实施例中,上述事实表配置信息至少可包括事实表的原子指标。上述维表配置信息至少可包括维表的维度。上述分析需求信息至少包括语句构建关键信息。上述数据输入周期信息可包括天/周/月。另外,上述展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S203,基于所述事实表配置信息与所述维表配置信息生成对应的星型模型。
在本实施例中,上述基于所述事实表配置信息与所述维表配置信息生成对应的星型模型的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S204,基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句。
在本实施例中,上述基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S205,将所述目标结构化查询语句下发至预设的目标数据库中,从所述目标数据库中查询出与所述目标结构化查询语句对应的目标数据。
在本实施例中,在构建生成星型模型后,还会进一步自动生成该星型模型中所需要用到的表的建表语句,并且会基于生成的建表语句构建出相应的数据表,然后将生成的数据表存储于上述目标数据库内。其中,上述目标数据库具体可为MySQL数据库。具体地,在基于星型模型生成了目标结构化查询语句后,通过将该目标结构化查询语句下发至目标数据库中来查询数据,接收目标数据库返回的分析结果,即可得到上述目标数据。
步骤S206,基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内。
在本实施例中,上述基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
本申请首先判断是否接收到用户触发与目标数据分析系统对应的数据加工请求;若是,展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息;然后基于所述事实表配置信息与所述维表配置信息生成对应的星型模型;之后基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句;后续将所述目标结构化查询语句下发至预设的目标数据库中,从所述目标数据库中查询出与所述目标结构化查询语句对应的目标数据;最后基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内。通过本申请可以根据用户输入的表配置信息与维表配置信息构建星型模型,进而利用该星型模型对用户输入的分析需求信息进行分析处理,以实现自动构建生成与数据加工请求相对应的目标结构化查询语句,从而无需开发人员手写结构化查询语句,提高了目标结构化查询语句的生成效率与生成智能性。另外,通过目标数据库的使用可以自动查询出与所述目标结构化查询语句对应的目标数据,并会根据用户输入的数据输入周期信息,来自动进行目标数据输入至目标数据分析系统内的加工操作,提高了对于目标数据的加工操作的规范性,降低了对数据分析系统的数据输入的处理成本,提高了用户的使用体验。
在一些可选的实现方式中,步骤S204包括以下步骤:
基于所述星型模型对所述分析需求信息进行解析,从所述分析需求信息中获取语句构建关键信息;
在本实施例中,所述语句构建关键信息至少包括字段信息、表信息、分组维度信息以及筛选条件信息。其中,所述字段信息为生成目标结构化查询语句所需要用到的字段,用于明确查询需要用到的表上分组字段、聚合字段,从而确定目标结构化查询语句(可简称为SQL)中的select和from信息。所述表信息为生成目标结构化查询语句所需要用到的表,用于明确查询需要用到的哪些表、表间关系,从而确定目标结构化查询语句中的select和from信息。上述分组维度信息为用于确定目标结构化查询语句的group by的字段。上述筛选条件信息包括筛选条件与聚合后的筛选条件。上述筛选条件为用于确定目标结构化查询语句的where中需过滤的值。上述聚合后的筛选条件为用于明确目标结构化查询语句的having中需要过滤的值。另外,上述语句构建关键信息还可包括需要排序的列和排序类型(升序还是降序),生成结果的个数限制条件。
基于所述语句构建关键信息生成所述目标结构化查询语句。
在本实施例中,可获取预设的结构化查询语句模板,然后将所述语句构建关键信息填充至该结构化查询语句模板的对应位置处,以生成所述目标结构化查询语句。其中,上述结构化查询语句模板可包括:select分组字段、聚合字段from表(含表关联)where筛选条件group by分组维度having聚合后的筛选条件order by排序信息结果条数限制。
本申请通过基于所述星型模型对所述分析需求信息进行解析,从所述分析需求信息中获取语句构建关键信息,然后基于所述语句构建关键信息生成所述目标结构化查询语句。通过本申请可以根据构建得到的星型模型对分析需求信息进行分析处理,以实现自动构建生成与数据加工请求相对应的目标结构化查询语句,从而无需开发人员手写结构化查询语句,提高了目标结构化查询语句的生成效率与生成智能性,提高了用户的使用体验。
在本实施例的一些可选的实现方式中,步骤S203包括以下步骤:
基于所述事实表配置信息构建对应的事实表。
在本实施例中,上述事实表配置信息至少可包括事实表的原子指标。上述数据配置页面中包括预设的事实表模板,可基于用户在该事实表模板中输入的事实表配置信息,以进行对于事实表模板的信息填充,得到填充后的事实表模板,并将该填充后的事实表模板作为上述事实表。
基于所述维表配置信息构建对应的维表。
在本实施例中,上述维表配置信息至少可包括维表的维度。上述数据配置页面中包括预设的维表模板,可基于用户在该维表模板中输入的维表配置信息,以进行对于维表模板的信息填充,得到填充后的维表模板,并将该填充后的维表模板作为上述维表。
获取所述事实表与所述维表之间的关联关系。
在本实施例中,可以通过采用关联算法,实现获取所述事实表与所述维表之间的关联关系。
基于所述关联关系生成所述星型模型。
在本实施例中,事实表是数据库中最大的表,是星形模型结构的核心,星形模型用于展现多维的数据关系,它由事实表和维表组成。基于维表和事实表以及二者的关联关系,可以构造星型模型。
本申请通过基于所述事实表配置信息构建对应的事实表;以及基于所述维表配置信息构建对应的维表;然后获取所述事实表与所述维表之间的关联关系;进而基于所述关联关系生成所述星型模型。通过本申请可以根据用户输入的所述事实表配置信息与所述维表配置信息,来构建出相对应的星型模型,有利于后续可以基于得到的星型模型自动构建生成与数据加工请求相对应的目标结构化查询语句,从而无需开发人员手写结构化查询语句,提高了目标结构化查询语句的生成效率与生成智能性,提高了用户的使用体验。
在一些可选的实现方式中,在所述基于所述维表配置信息构建对应的维表的步骤之后,上述电子设备还可以执行以下步骤:
判断是否接收到所述用户触发的对于目标表的编辑请求。
在本实施例中,所述目标表包括所述事实表或所述维表。
若是,展示包含所述目标表的可编辑页面。
在本实施例中,上述可编辑页面可预先构建的可对该可编辑页面内的目标表进行数据编辑的页面。
接收所述用户在所述可编辑页面输入的修改信息。
在本实施例中,上述修改信息可包括对于目标表内的字段的扩展处理信息,该扩展处理信息可包括增加、删减、替换等处理。
基于所述修改信息对所述目标表进行对应的修改处理。
本申请通过判断是否接收到所述用户触发的对于目标表的编辑请求;其中,所述目标表包括所述事实表或所述维表;若是,展示包含所述目标表的可编辑页面;然后接收所述用户在所述可编辑页面输入的修改信息;进而基于所述修改信息对所述目标表进行对应的修改处理。通过本申请能够提供对于事实表与维表进行扩展的扩展功能,使得用户能够根据自身的个性化需求对事实表与维表进行相应的扩展处理,提高了用户的使用体验。
在一些可选的实现方式中,步骤S206包括以下步骤:
基于所述数据输入周期信息,生成与所述目标数据对应的定时数据输入任务。
在本实施例中,可以根据用户输入的数据输入周期信息,来自动构建与该目标数据对应的定时数据输入任务。
获取当前时间。
在当前时间到达所述数据输入周期信息对应的时间点时,执行所述定时数据输入任务,以将所述目标数据输入至所述目标数据分析系统内。
在本实施例中,上述数据输入周期信息可包括天/周/月。对于不同的数据输入周期信息会预先设置对应的一个任务启动触发时间点。举例地,如果数据输入周期信息为天,则会在当天的24时将所述目标数据输入至所述目标数据分析系统内。如果数据输入周期信息为周,则会在当周的最后一天的24时将所述目标数据输入至所述目标数据分析系统内。如果数据输入周期信息为月,则会在当月的最后一天的24时将所述目标数据输入至所述目标数据分析系统内。
本申请通过基于所述数据输入周期信息,生成与所述目标数据对应的定时数据输入任务;然后获取当前时间;进而在当前时间到达所述数据输入周期信息对应的时间点时,执行所述定时数据输入任务,以将所述目标数据输入至所述目标数据分析系统内。本申请在获取了目标数据后,还会进一步地根据用户输入的数据输入周期信息来生成与该目标数据对应的定时数据输入任务,从而会智能地按照用户配置的数据输入周期信息来自动进行目标数据输入至目标数据分析系统内的加工操作,提高了对于目标数据的加工操作的规范性,提高了用户的使用体验。
在本实施例的一些可选的实现方式中,所述数据加工请求还携带所述用户的用户信息,步骤S202包括以下步骤
从所述数据加工请求中解析出所述用户信息。
在本实施例中,可通过对数据加工请求进行信息解析处理,以得到所述用户的用户信息
判断预设的合法用户名单中是否存储有所述用户信息。
在本实施例中,上述合法用户名单为预先构建的存储有合法用户,例如公司正式员工的个人用户信息的名单。
若存储有所述用户信息,从预设的图像数据库中获取与所述用户信息对应的标准人脸图像。
在本实施例中,上述图像数据库为预先创建的存储有各个合法用户的用户信息,以及与各个合法用户的用户信息一一对应的人脸图像的数据库。
采集所述用户的人脸图像。
在本实施例中,可基于电子设备中内置的摄像机采集所述用户的人脸图像。
对所述人脸图像进行图像增强处理,得到对应的目标人脸图像。
在本实施例中,上述图像增强处理可指图像亮度增强处理,通过对所述人脸图像进行图像亮度增强处理,从而可以方便后续精确的人脸特征提取,以尽可能提升后续的相似度算法的成功率,进而提高身份验证的处理效率。上述对所述人脸图像进行图像增强处理,得到对应的目标人脸图像的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
判断所述目标人脸图像与所述标准人脸图像是否匹配。
在本实施例中,可先提取目标人脸图像中的第一人脸特征,以及提取标准人脸图像的第二人脸特征,可基于预设的相似度算法计算所述第一人脸特征与所述第二人脸特征之间的相似度;若得到的相似度大于预设的相似度阈值,则判定所述目标人脸图像与所述标准人脸图像匹配,否则判定所述目标人脸图像与所述标准人脸图像不匹配。其中,对于上述相似度算法可选取现有的开源的相似度算法。另外,对于上述相似度阈值的取值不作具体限定,可根据实际的使用需求进行设置,例如可设为0.95。
若匹配,判定所述用户通过身份验证,并执行所述展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息的步骤。
本申请通过从所述数据加工请求中解析出所述用户信息,并判断预设的合法用户名单中是否存储有所述用户信息;若存储有所述用户信息,从预设的图像数据库中获取与所述用户信息对应的标准人脸图像;然后采集所述用户的人脸图像,之后对所述人脸图像进行图像增强处理,得到对应的目标人脸图像;后续判断所述目标人脸图像与所述标准人脸图像是否匹配;若匹配,判定所述用户通过身份验证,并执行所述展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息的步骤。本申请在对接收到数据加工请求进行处理之前,会基于用户信息与用户的人脸图像对用户进行多重身份验证,只有在用户均通过了用户信息验证与人脸验证时,后续才会对数据加工请求进行响应,能够有效避免因处理了非法用户提交的数据加工请求而造成不良影响,提高了对于数据加工请求的处理规范性。
在本实施例的一些可选的实现方式中,所述对所述人脸图像进行图像增强处理,得到对应的目标人脸图像,包括以下步骤:
调用预先训练好的图像增强模型。
在本实施例中,上述图像增强模型可为基于预先采集的人脸图像样本数据对卷积神经网络进行训练生成的。图像增强模型的训练生成过程可包括:1.原始数据采集。数据采集部分需要拍摄同一个人在明、暗两种光照情况下的人脸图像。其中,暗光图像作为卷积神经网络的输入图片;亮光图片作为卷积神经网络的标签。2.构建训练数据。对标注好的图像进行预处理,例如尺度变换、归一化等处理,以生成相应的训练数据。3.搭建模型。搭建本申请使用的卷积神经网络,该卷积神经网络包括预设数量个卷积层和1个输出层。a.构建卷积层。对于上述预设数量的取值不作具体限定,可根据实际的业务使用需求进行设置,例如可设为8。b.构建输出层。其中,输出层输出为最后一个卷积层的结果,该卷积层采用Sigmoid激活函数与交叉熵损失函数。4.模型训练和保存。利用上述训练数据对搭建好的上述卷积神经网络进行训练,直至卷积神经网络达到最优性能,将训练好的卷积神经网络作为上述图像增强模型并保存。
将所述人脸图像输入至所述图像增强模型内。
通过所述图像增强模型对所述人脸图像进行图像增强处理,得到所述目标人脸图像。
本申请通过调用预先训练好的图像增强模型;然后将所述人脸图像输入至所述图像增强模型内;进而通过所述图像增强模型对所述人脸图像进行图像增强处理,得到所述目标人脸图像。本申请通过利用图像增强模型对所述人脸图像进行图像增强处理,从而可以方便后续对人脸图像进行精确的人脸特征提取,以尽可能提升后续的相似度算法的计算成功率,进而提高身份验证的处理效率,并保证生成的身份验证结果的准确性。
需要强调的是,为进一步保证上述目标数据的私密和安全性,上述目标数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种数据处理装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的数据处理装置300包括:判断模块301、接收模块302、第一生成模块303、第二生成模块304、查询模块305以及处理模块306。其中:
判断模块301,用于判断是否接收到用户触发与目标数据分析系统对应的数据加工请求;
接收模块302,用于若是,展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息;其中,所述数据加工配置信息至少包括事实表配置信息、维表配置信息、分析需求信息以及数据输入周期信息;
第一生成模块303,用于基于所述事实表配置信息与所述维表配置信息生成对应的星型模型;
第二生成模块304,用于基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句;
查询模块305,用于将所述目标结构化查询语句下发至预设的目标数据库中,从所述目标数据库中查询出与所述目标结构化查询语句对应的目标数据;
处理模块306,用于基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据处理方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第二生成模块304包括:
第一解析子模块,用于基于所述星型模型对所述分析需求信息进行解析,从所述分析需求信息中获取语句构建关键信息;其中,所述语句构建关键信息至少包括字段信息、表信息、分组维度信息以及筛选条件信息;
第一生成子模块,用于基于所述语句构建关键信息生成所述目标结构化查询语句。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据处理方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一生成模块303包括:
第一构建子模块,用于基于所述事实表配置信息构建对应的事实表;以及,
第二构建子模块,用于基于所述维表配置信息构建对应的维表;
第一获取子模块,用于获取所述事实表与所述维表之间的关联关系;
第二生成子模块,用于基于所述关联关系生成所述星型模型。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据处理方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一生成模块303还包括:
第一判断子模块,用于判断是否接收到所述用户触发的对于目标表的编辑请求;其中,所述目标表包括所述事实表或所述维表;
展示子模块,用于若是,展示包含所述目标表的可编辑页面;
接收子模块,用于接收所述用户在所述可编辑页面输入的修改信息;
修改子模块,用于基于所述修改信息对所述目标表进行对应的修改处理。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据处理方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,处理模块306包括:
第三生成子模块,用于基于所述数据输入周期信息,生成与所述目标数据对应的定时数据输入任务;
第二获取子模块,用于获取当前时间;
输入子模块,用于在当前时间到达所述数据输入周期信息对应的时间点时,执行所述定时数据输入任务,以将所述目标数据输入至所述目标数据分析系统内。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据处理方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,所述数据加工请求还携带所述用户的用户信息,接收模块302包括:
第二解析子模块,用于从所述数据加工请求中解析出所述用户信息;
第二判断子模块,用于判断预设的合法用户名单中是否存储有所述用户信息;
第三获取子模块,用于若存储有所述用户信息,从预设的图像数据库中获取与所述用户信息对应的标准人脸图像;
采集子模块,用于采集所述用户的人脸图像;
处理子模块,用于对所述人脸图像进行图像增强处理,得到对应的目标人脸图像;
第三判断子模块,用于判断所述目标人脸图像与所述标准人脸图像是否匹配;
执行子模块,用于若匹配,判定所述用户通过身份验证,并执行所述展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息的步骤。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据处理方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,处理子模块包括:
调用单元,用于调用预先训练好的图像增强模型;
输入单元,用于将所述人脸图像输入至所述图像增强模型内;
处理单元,用于通过所述图像增强模型对所述人脸图像进行图像增强处理,得到所述目标人脸图像。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的数据处理方法的步骤一一对应,在此不再赘述。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如数据处理方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述数据处理方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先判断是否接收到用户触发与目标数据分析系统对应的数据加工请求;若是,展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息;然后基于所述事实表配置信息与所述维表配置信息生成对应的星型模型;之后基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句;后续将所述目标结构化查询语句下发至预设的目标数据库中,从所述目标数据库中查询出与所述目标结构化查询语句对应的目标数据;最后基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内。通过本申请实施例可以根据用户输入的表配置信息与维表配置信息构建星型模型,进而利用该星型模型对用户输入的分析需求信息进行分析处理,以实现自动构建生成与数据加工请求相对应的目标结构化查询语句,从而无需开发人员手写结构化查询语句,提高了目标结构化查询语句的生成效率与生成智能性。另外,通过目标数据库的使用可以自动查询出与所述目标结构化查询语句对应的目标数据,并会根据用户输入的数据输入周期信息,来自动进行目标数据输入至目标数据分析系统内的加工操作,提高了对于目标数据的加工操作的规范性,降低了对数据分析系统的数据输入的处理成本,提高了用户的使用体验。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的数据处理方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先判断是否接收到用户触发与目标数据分析系统对应的数据加工请求;若是,展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息;然后基于所述事实表配置信息与所述维表配置信息生成对应的星型模型;之后基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句;后续将所述目标结构化查询语句下发至预设的目标数据库中,从所述目标数据库中查询出与所述目标结构化查询语句对应的目标数据;最后基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内。通过本申请实施例可以根据用户输入的表配置信息与维表配置信息构建星型模型,进而利用该星型模型对用户输入的分析需求信息进行分析处理,以实现自动构建生成与数据加工请求相对应的目标结构化查询语句,从而无需开发人员手写结构化查询语句,提高了目标结构化查询语句的生成效率与生成智能性。另外,通过目标数据库的使用可以自动查询出与所述目标结构化查询语句对应的目标数据,并会根据用户输入的数据输入周期信息,来自动进行目标数据输入至目标数据分析系统内的加工操作,提高了对于目标数据的加工操作的规范性,降低了对数据分析系统的数据输入的处理成本,提高了用户的使用体验。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上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,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种数据处理方法,其特征在于,包括下述步骤:
判断是否接收到用户触发与目标数据分析系统对应的数据加工请求;
若是,展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息;其中,所述数据加工配置信息至少包括事实表配置信息、维表配置信息、分析需求信息以及数据输入周期信息;
基于所述事实表配置信息与所述维表配置信息生成对应的星型模型;
基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句;
将所述目标结构化查询语句下发至预设的目标数据库中,从所述目标数据库中查询出与所述目标结构化查询语句对应的目标数据;
基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内。
2.根据权利要求1所述的数据处理方法,其特征在于,所述基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句的步骤,具体包括:
基于所述星型模型对所述分析需求信息进行解析,从所述分析需求信息中获取语句构建关键信息;其中,所述语句构建关键信息至少包括字段信息、表信息、分组维度信息以及筛选条件信息;
基于所述语句构建关键信息生成所述目标结构化查询语句。
3.根据权利要求1所述的数据处理方法,其特征在于,所述基于所述事实表配置信息与所述维表配置信息生成对应的星型模型的步骤,具体包括:
基于所述事实表配置信息构建对应的事实表;以及,
基于所述维表配置信息构建对应的维表;
获取所述事实表与所述维表之间的关联关系;
基于所述关联关系生成所述星型模型。
4.根据权利要求3所述的数据处理方法,其特征在于,在所述基于所述维表配置信息构建对应的维表的步骤之后,还包括:
判断是否接收到所述用户触发的对于目标表的编辑请求;其中,所述目标表包括所述事实表或所述维表;
若是,展示包含所述目标表的可编辑页面;
接收所述用户在所述可编辑页面输入的修改信息;
基于所述修改信息对所述目标表进行对应的修改处理。
5.根据权利要求1所述的数据处理方法,其特征在于,所述基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内的步骤,具体包括:
基于所述数据输入周期信息,生成与所述目标数据对应的定时数据输入任务;
获取当前时间;
在当前时间到达所述数据输入周期信息对应的时间点时,执行所述定时数据输入任务,以将所述目标数据输入至所述目标数据分析系统内。
6.根据权利要求1所述的数据处理方法,其特征在于,所述数据加工请求还携带所述用户的用户信息,所述展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息的步骤,具体包括:
从所述数据加工请求中解析出所述用户信息;
判断预设的合法用户名单中是否存储有所述用户信息;
若存储有所述用户信息,从预设的图像数据库中获取与所述用户信息对应的标准人脸图像;
采集所述用户的人脸图像;
对所述人脸图像进行图像增强处理,得到对应的目标人脸图像;
判断所述目标人脸图像与所述标准人脸图像是否匹配;
若匹配,判定所述用户通过身份验证,并执行所述展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息的步骤。
7.根据权利要求6所述的数据处理方法,其特征在于,所述对所述人脸图像进行图像增强处理,得到对应的目标人脸图像的步骤,具体包括:
调用预先训练好的图像增强模型;
将所述人脸图像输入至所述图像增强模型内;
通过所述图像增强模型对所述人脸图像进行图像增强处理,得到所述目标人脸图像。
8.一种数据处理装置,其特征在于,包括:
判断模块,用于判断是否接收到用户触发与目标数据分析系统对应的数据加工请求;
接收模块,用于若是,展示预设的数据配置页面,并接收所述用户在所述数据配置页面输入的数据加工配置信息;其中,所述数据加工配置信息至少包括事实表配置信息、维表配置信息、分析需求信息以及数据输入周期信息;
第一生成模块,用于基于所述事实表配置信息与所述维表配置信息生成对应的星型模型;
第二生成模块,用于基于所述星型模型生成与所述分析需求信息对应的目标结构化查询语句;
查询模块,用于将所述目标结构化查询语句下发至预设的目标数据库中,从所述目标数据库中查询出与所述目标结构化查询语句对应的目标数据;
处理模块,用于基于所述数据输入周期信息,将所述目标数据输入至所述目标数据分析系统内。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的数据处理方法的步骤。
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计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310433406.8A CN116450724A (zh) | 2023-04-13 | 2023-04-13 | 数据处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310433406.8A CN116450724A (zh) | 2023-04-13 | 2023-04-13 | 数据处理方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116450724A true CN116450724A (zh) | 2023-07-18 |
Family
ID=87119957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310433406.8A Pending CN116450724A (zh) | 2023-04-13 | 2023-04-13 | 数据处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116450724A (zh) |
-
2023
- 2023-04-13 CN CN202310433406.8A patent/CN116450724A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395390B (zh) | 意图识别模型的训练语料生成方法及其相关设备 | |
CN113627797A (zh) | 入职员工画像生成方法、装置、计算机设备及存储介质 | |
CN112182157B (zh) | 在线序列标注模型的训练方法、在线标注方法及相关设备 | |
CN117195886A (zh) | 基于人工智能的文本数据处理方法、装置、设备及介质 | |
CN116661936A (zh) | 页面数据的处理方法、装置、计算机设备及存储介质 | |
CN116681045A (zh) | 报表生成方法、装置、计算机设备及存储介质 | |
CN116450723A (zh) | 数据提取方法、装置、计算机设备及存储介质 | |
CN116755688A (zh) | 组件处理方法、装置、计算机设备及存储介质 | |
CN116383787A (zh) | 页面创建方法、装置、计算机设备及存储介质 | |
CN116453125A (zh) | 基于人工智能的数据录入方法、装置、设备及存储介质 | |
CN113609833B (zh) | 文件的动态生成方法、装置、计算机设备及存储介质 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN114637831A (zh) | 基于语义分析的数据查询方法及其相关设备 | |
CN116450724A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN112069807A (zh) | 文本数据的主题提取方法、装置、计算机设备及存储介质 | |
CN117076775A (zh) | 资讯数据的处理方法、装置、计算机设备及存储介质 | |
CN116932739A (zh) | 基于人工智能的数据生成方法、装置、设备及存储介质 | |
CN117389607A (zh) | 看板配置方法、装置、计算机设备及存储介质 | |
CN116842011A (zh) | 血缘关系分析方法、装置、计算机设备及存储介质 | |
CN117217684A (zh) | 指标数据的处理方法、装置、计算机设备及存储介质 | |
CN116166858A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
CN116738948A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN117290597A (zh) | 基于人工智能的信息推送方法、装置、设备及存储介质 | |
CN116820443A (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
CN115826973A (zh) | 列表页面的生成方法、装置、计算机设备及存储介质 |
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 |