CN117235119B - 一种低代码平台下多表联合查询的方法 - Google Patents
一种低代码平台下多表联合查询的方法 Download PDFInfo
- Publication number
- CN117235119B CN117235119B CN202311482766.3A CN202311482766A CN117235119B CN 117235119 B CN117235119 B CN 117235119B CN 202311482766 A CN202311482766 A CN 202311482766A CN 117235119 B CN117235119 B CN 117235119B
- Authority
- CN
- China
- Prior art keywords
- query
- data
- weight
- value
- code platform
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000006870 function Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000009471 action Effects 0.000 claims description 30
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 12
- 230000009977 dual effect Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种低代码平台下多表联合查询的方法,涉及多表联合查询技术领域,包括将表格数据导入低代码平台中,并对表格数据进行预处理;构建查询模型,并对所述查询模型进行训练;根据所述查询模型选择的查询计划执行查询;生成查询结果。本发明所述方法结合了深度学习技术和用户反馈,能够自动优化查询过程,提高查询速度和结果的准确性。通过使用双DNN模型和改进的Q值函数,能够根据用户反馈动态调整查询权重,使查询更加符合用户的实际需求。
Description
技术领域
本发明涉及多表联合查询技术领域,特别是一种低代码平台下多表联合查询的方法。
背景技术
在现代的数据驱动环境中,数据分散在多个数据源中,这使得从这些源中提取、整合和查询数据变得复杂。传统的查询方法通常依赖于手工编写的查询语句,这不仅需要专业的数据库知识,而且在面对大量数据和复杂的查询需求时,可能会导致查询速度慢和结果不准确。此外,用户的查询需求和反馈往往没有被充分利用来优化查询过程,导致查询效果与用户期望存在差距。
发明内容
鉴于上述现有的低代码平台下多表联合查询的方法中存在的问题,提出了本发明。
因此,本发明所要解决的问题在于如何提供一种低代码平台下多表联合查询的方法。
为解决上述技术问题,本发明提供如下技术方案:一种低代码平台下多表联合查询的方法,其包括,将表格数据导入低代码平台中,并对表格数据进行预处理;构建查询模型,并对所述查询模型进行训练;根据所述查询模型选择的查询计划执行查询;生成查询结果;
构建查询模型,并对所述查询模型进行训练包括如下步骤,定义在线网络和目标网络,并使用随机权重初始化在线网络和目标网络;使用低代码平台的数据,通过在线网络选择一个动作,并计算该动作的Q值;使用目标网络来估计该动作的最大Q值;使用以下公式更新在线网络的权重:
式中,Δθ是在线网络权重的更新值,α是学习率,r是奖励值,表示在状态s下采取
动作a后获得的即时奖励,γ是折扣因子,是目标网络在下一个状态s′下对
所有可能动作a′的Q值的最大估计,是在线网络在状态s下采取动作a时的Q值预测,是关于在线网络权重θ的Q值梯度,s′和a′分别是下一个状态和下一个动作,θ是
在线网络的权重,θ−是目标网络的权重;
使用均方误差损失函数和优化器更新在线网络的权重;根据用户反馈调整查询权重,使用以下公式:
式中,是指在状态s下采取动作a时的自适应Q值,是指在状态s下采
取动作a时的原始Q值,由在线网络预测得出,β是权重参数,用于平衡在线网络和目标网络
的Q值预测,是目标网络在下一个状态s′下采取动作a′时的Q值预测,是基于用
户反馈的自适应权重。
作为本发明所述低代码平台下多表联合查询的方法的一种优选方案,其中:所述奖励值的计算公式为:
式中,r是奖励值,w1和w2是权重,w1+w2=1,是查询速度,=1/(Tq+Td+Tp),Tq是指
查询执行时间,Td是指数据传输时间,Tp是指数据处理和解析时间,是查询结果的准确
性,=(XP+XN)/(XP+XN+FP+FN),XP是指正确返回的相关结果的次数,XN是指即正确返回的
不相关结果的次数,FP是指错误返回的相关结果的次数,FN是指未返回的相关结果的次数。
作为本发明所述低代码平台下多表联合查询的方法的一种优选方案,其中:基于用户反馈的自适应权重通过如下公式进行计算,
式中,是指第i项用户反馈的原始置信度,是指第i项用户反馈的更新后的
置信度,是指第i项用户反馈的权重,,n是指用户反馈的项数,
表示原始置信度的权重,表示更新后的置信度的权重,。
作为本发明所述低代码平台下多表联合查询的方法的一种优选方案,其中:所述用户反馈包括查询结果的相关性、查询速度满意度和系统的稳定可靠性。
作为本发明所述低代码平台下多表联合查询的方法的一种优选方案,其中:所述预处理包括数据清洗、数据格式转换和数据标准化。
作为本发明所述低代码平台下多表联合查询的方法的一种优选方案,其中:数据预处理后,通过如下步骤进行数据整合,从不同的数据源中提取数据,进行转换,然后加载到目标数据库中;对于重叠的数据进行数据融合,公式如下,
式中,S(A,B)是数据A和数据B的相似度,和是数据中第k个字段,是第k个
字段的权重,I是指示函数,用于确定两个字段是否相似;
基于实体关系图和数据融合模型,设计SQL查询语句,表示为,
式中,是查询结果,是根据查询条件选择的操作,⋈是连接操作,A和B
是表格,condition是查询条件。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现一种低代码平台下多表联合查询的方法的步骤。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现一种低代码平台下多表联合查询的方法的步骤。
本发明有益效果为:结合了深度学习技术和用户反馈,能够自动优化查询过程,提高查询速度和结果的准确性。通过使用双DNN模型和改进的Q值函数,能够根据用户反馈动态调整查询权重,使查询更加符合用户的实际需求。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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发明的一些实施例,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它的附图。
图1为低代码平台下多表联合查询的方法的流程图;
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1,为本发明第一个实施例,该实施例提供了一种低代码平台下多表联合查询的方法,低代码平台下多表联合查询的方法如下步骤:
S1、搭建低代码平台,将表格数据导入低代码平台中,并对表格数据进行预处理,其中预处理包括数据清洗、数据格式转换和数据标准化;
S2、构建查询模型,并对所述查询模型进行训练;
S3、根据所述查询模型选择的查询计划执行查询;
S4、生成查询结果。
在本实施例中,搭建低代码平台包括如下步骤,
在AppGyver中,将Data Grid组件作为数据展示组件;
将Data Grid组件放置在页面的中央,上方放置查询条件输入框和查询按钮,下方放置分页控制按钮;
在AppGyver的数据源管理中,配置数据库连接信息;
使用AppGyver的逻辑编辑器,构建多表联合查询的逻辑,其表示为,
式中,R是结果集,A和B是两个表格,key是A表的主键,fkey是B表的外键。
并且数据预处理后,通过如下步骤进行数据整合,
从不同的数据源中提取数据,进行转换,然后加载到目标数据库中;
对于重叠的数据进行数据融合,公式如下,
式中,S(A,B)是数据A和数据B的相似度,和是数据中第k个字段,是第k个
字段的权重,I是指示函数,用于确定两个字段是否相似;
基于实体关系图和数据融合模型,设计SQL查询语句,表示为,
式中,是查询结果,是根据查询条件选择的操作,⋈是连接操作,A和B
是表格,condition是查询条件。
进一步的,构建查询模型,并对所述查询模型进行训练包括如下步骤,
定义在线网络和目标网络,并使用随机权重初始化在线网络和目标网络;
使用低代码平台的数据,通过在线网络选择一个动作,并计算该动作的Q值;
使用目标网络来估计该动作的最大Q值;
使用以下公式更新在线网络的权重:
式中,Δθ是在线网络权重的更新值,α是学习率,r是奖励值,表示在状态s下采取
动作a后获得的即时奖励,γ是折扣因子,是目标网络在下一个状态s′
下对所有可能动作a′的Q值的最大估计,是在线网络在状态s下采取动作a时的Q
值预测,是关于在线网络权重θ的Q值梯度,s′和a′分别是下一个状态和下一个
动作,θ是在线网络的权重,θ−是目标网络的权重;
使用均方误差损失函数和优化器更新在线网络的权重;
根据用户反馈调整查询权重,使用以下公式:
式中,是指在状态s下采取动作a时的自适应Q值,是指在状态s下
采取动作a时的原始Q值,由在线网络预测得出,β是权重参数,用于平衡在线网络和目标网
络的Q值预测,是目标网络在下一个状态s′下采取动作a′时的Q值预测,是基
于用户反馈的自适应权重。
本发明通过使用在线网络和目标网络的双DNN结构,能够动态地根据用户反馈和实时数据环境调整查询策略,并且能够更准确地预测哪些查询策略会产生最佳的查询结果,此外,基于用户反馈的自适应权重进一步确保了查询结果与用户期望的一致性,通过在线网络的实时Q值预测和目标网络的Q值估计,能够快速地确定最优的查询策略,从而减少不必要的查询尝试和计算,提高查询速度,在低代码平台中,通过自动化的查询模型训练和优化过程,为用户提供了一个简单易用的查询工具,用户无需编写复杂的查询语句,只需提供基本的查询需求和反馈。并且本发明通过将用户反馈整合到查询优化过程中的方法,确保了用户在查询过程中的主动参与,从而提供了更加个性化和满足用户需求的查询结果。
所述奖励值的计算公式为:
式中,r是奖励值,w1和w2是权重,w1+w2=1,是查询速度,=1/(Tq+Td+Tp),Tq是指
查询执行时间,Td是指数据传输时间,Tp是指数据处理和解析时间,是查询结果的准确
性,=(XP+XN)/(XP+XN+FP+FN),XP是指正确返回的相关结果的次数,XN是指即正确返回
的不相关结果的次数,FP是指错误返回的相关结果的次数,FN是指未返回的相关结果的次
数。
本发明将奖励值与查询速度和查询结果的准确性相关,通过权重分配,可以根据实际应用场景的需求动态调整查询速度和准确性的重要性,并且通过考虑查询执行时间、数据传输时间和数据处理及解析时间,可以更准确地评估查询的总体性能,通过考虑正确返回的相关/不相关结果和错误返回的相关结果,可以更准确地评估查询结果的质量,从而提供更符合用户期望的查询结果。
基于用户反馈的自适应权重通过如下公式进行计算,
式中,是指第i项用户反馈的原始置信度,是指第i项用户反馈的更新后的
置信度,是指第i项用户反馈的权重,,n是指用户反馈的项数,表示原始置信度的权重,表示更新后的置信度的权重,。
通过上述自适应权重的计算方式,使得查询系统能够更加贴近用户的实际需求和期望,从而提供更为满意的查询结果。通过原始置信度和更新后的置信度的权重调整,系统能够根据用户的实时反馈动态地调整查询权重,使得查询策略更为灵活和适应性强。
在使用过程中,用户首先关心的是查询结果是否满足其需求。如果查询结果与用户的期望不符,那么其他所有优点都会被忽略。因此,查询结果的相关性是最直接、最核心的用户体验指标。在现代的互联网环境中,用户对速度有很高的要求,一个快速响应的系统可以显著提高用户的满意度,并且无论系统的速度和准确性如何,如果它不稳定或经常出错,用户的信任和满意度都会大大降低,因此查询速度和系统的稳定可靠性也是客户的关注点。因此,用户反馈至少包括查询结果的相关性、查询速度满意度和系统的稳定可靠性,这三个指标从不同的角度评估了系统的性能,可以为系统提供一个全面的评价。查询结果的相关性关注系统的准确性,查询速度满意度关注系统的效率,而系统的稳定可靠性关注系统的鲁棒性。
在低代码平台中显示查询结果包括如下步骤,
开发一个拖放式的查询构建器,允许用户通过拖放字段和设置条件来构建查询,而无需编写SQL代码,拖拽式互动的技术原理是,当鼠标进行拖拽操作后,组件获取鼠标拖拽的横纵方向距离与鼠标所在初始位置的横纵坐标,从而进行鼠标对于组件的互动距离获取,当鼠标进行移动时获取鼠标移动距离,将鼠标将组件移动后的坐标位置赋值给组件,用鼠标最后距离减去鼠标相对的距离,组件接收到移动方向和距离后进行定向定量移动,最后删除鼠标抬起时的鼠标移动事件;
在用户构建查询时,提供实时的查询预览,使用户能够立即看到查询结果,从而进行调整;
根据查询结果,生成动态的图表。
实施例2
本发明第二个实施例,其不同于上一个实施例的是:
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
实施例3
为本发明的第三个实施例,为了验证本发明的有益效果,通过实验进行科学论证,实验数据如表1所述。
表1 实验数据对比表
指标/方法 | 本发明所述方法 | 现有技术方案 |
查询准确性 (%) | 95.5 | 90 |
平均查询速度 (秒) | 1.2 | 2.5 |
系统稳定性 (故障率 %) | 0.5 | 2 |
用户满意度 (%) | 92 | 85 |
在表1中,现有技术方案采用的是基于成本的查询优化器,该查询优化器是许多关系型数据库管理系统中的标准组件。它的工作原理是为给定的查询生成多个潜在的执行计划,并为每个计划估计一个“成本”。这些成本通常与预期的I/O操作、CPU使用等相关。最后,优化器选择成本最低的执行计划。
观察表1可知,本发明所述方法在查询准确性、平均查询速度均优于现有技术,且系统故障率远低于现有技术方案。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种低代码平台下多表联合查询的方法,其特征在于:包括,
将表格数据导入低代码平台中,并对表格数据进行预处理;
构建查询模型,并对所述查询模型进行训练;
根据所述查询模型选择的查询计划执行查询;
生成查询结果;
构建查询模型,并对所述查询模型进行训练包括如下步骤,
定义在线网络和目标网络,并使用随机权重初始化在线网络和目标网络;
使用低代码平台的数据,通过在线网络选择一个动作,并计算该动作的Q值;
使用目标网络来估计该动作的最大Q值;
使用以下公式更新在线网络的权重:
式中,Δθ是在线网络权重的更新值,α是学习率,r是奖励值,表示在状态s下采取动作a后获得的即时奖励,γ是折扣因子,是目标网络在下一个状态s′下对所有可能动作a′的Q值的最大估计,是在线网络在状态s下采取动作a时的Q值预测,/>是关于在线网络权重θ的Q值梯度,s′和a′分别是下一个状态和下一个动作,θ是在线网络的权重,θ−是目标网络的权重;
使用均方误差损失函数和优化器更新在线网络的权重;
根据用户反馈调整查询权重,使用以下公式:
式中,/>是指在状态s下采取动作a时的自适应Q值,/>是指在状态s下采取动作a时的原始Q值,由在线网络预测得出,β是权重参数,用于平衡在线网络和目标网络的Q值预测,/>是目标网络在下一个状态s′下采取动作a′时的Q值预测,/>是基于用户反馈的自适应权重。
2.如权利要求1所述的低代码平台下多表联合查询的方法,其特征在于:所述奖励值的计算公式为:
式中,r是奖励值,w1和w2是权重,w1+w2=1,/>是查询速度,/>=1/(Tq+Td+Tp),Tq是指查询执行时间,Td是指数据传输时间,Tp是指数据处理和解析时间,/>是查询结果的准确性,/>=(XP+XN)/(XP+XN+FP+FN),XP是指正确返回的相关结果的次数,XN是指即正确返回的不相关结果的次数,FP是指错误返回的相关结果的次数,FN是指未返回的相关结果的次数。
3.如权利要求2所述的低代码平台下多表联合查询的方法,其特征在于:基于用户反馈的自适应权重通过如下公式进行计算,
式中,/>是指第i项用户反馈的原始置信度,/>是指第i项用户反馈的更新后的置信度,/>是指第i项用户反馈的权重,/>,n是指用户反馈的项数,/>表示原始置信度的权重,/>表示更新后的置信度的权重,/>。
4.如权利要求3所述的低代码平台下多表联合查询的方法,其特征在于:所述用户反馈包括查询结果的相关性、查询速度满意度和系统的稳定可靠性。
5.如权利要求4所述的低代码平台下多表联合查询的方法,其特征在于:所述预处理包括数据清洗、数据格式转换和数据标准化。
6.如权利要求5所述的低代码平台下多表联合查询的方法,其特征在于:数据预处理后,通过如下步骤进行数据整合,
从不同的数据源中提取数据,进行转换,然后加载到目标数据库中;
对于重叠的数据进行数据融合,公式如下,
式中,S(A,B)是数据A和数据B的相似度,/>和/>是数据中第k个字段,/>是第k个字段的权重,I是指示函数,用于确定两个字段是否相似;
基于实体关系图和数据融合模型,设计SQL查询语句,表示为,
式中,/>是查询结果,/>是根据查询条件选择的操作,⋈是连接操作,A和B是表格,condition是查询条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482766.3A CN117235119B (zh) | 2023-11-09 | 2023-11-09 | 一种低代码平台下多表联合查询的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482766.3A CN117235119B (zh) | 2023-11-09 | 2023-11-09 | 一种低代码平台下多表联合查询的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117235119A CN117235119A (zh) | 2023-12-15 |
CN117235119B true CN117235119B (zh) | 2024-01-30 |
Family
ID=89086358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311482766.3A Active CN117235119B (zh) | 2023-11-09 | 2023-11-09 | 一种低代码平台下多表联合查询的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235119B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021114625A1 (zh) * | 2020-05-28 | 2021-06-17 | 平安科技(深圳)有限公司 | 用于多任务场景的网络结构构建方法和装置 |
CN114500360A (zh) * | 2022-01-27 | 2022-05-13 | 河海大学 | 一种基于深度强化学习的网络流量调度方法以及系统 |
CN116028528A (zh) * | 2022-03-29 | 2023-04-28 | 郑州大学 | 数据库查询优化方法、系统、电子设备及存储介质 |
CN116049467A (zh) * | 2023-01-17 | 2023-05-02 | 华中科技大学 | 一种基于标签视觉联合感知的无监督图像检索方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3162665A1 (en) * | 2021-06-14 | 2022-12-14 | The Governing Council Of The University Of Toronto | Method and system for traffic signal control with a learned model |
EP4177828A1 (en) * | 2021-11-03 | 2023-05-10 | Tata Consultancy Services Limited | Method and system for domain knowledge augmented multi-head attention based robust universal lesion detection |
US20230281247A1 (en) * | 2022-03-07 | 2023-09-07 | Twelve Labs, Inc. | Video retrieval method and apparatus using vectorizing segmented videos |
-
2023
- 2023-11-09 CN CN202311482766.3A patent/CN117235119B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021114625A1 (zh) * | 2020-05-28 | 2021-06-17 | 平安科技(深圳)有限公司 | 用于多任务场景的网络结构构建方法和装置 |
CN114500360A (zh) * | 2022-01-27 | 2022-05-13 | 河海大学 | 一种基于深度强化学习的网络流量调度方法以及系统 |
CN116028528A (zh) * | 2022-03-29 | 2023-04-28 | 郑州大学 | 数据库查询优化方法、系统、电子设备及存储介质 |
CN116049467A (zh) * | 2023-01-17 | 2023-05-02 | 华中科技大学 | 一种基于标签视觉联合感知的无监督图像检索方法和系统 |
Non-Patent Citations (7)
Title |
---|
A Deep Convolutional Neural Network-Based Framework for Automatic Fetal Facial Standard Plane Recognition;Zhen Yu 等;《IEEE Journal of Biomedical and Health Informatics》;第22卷(第3期);第874-885页 * |
EasyFL: A Low-Code Federated Learning Platform for Dummies;Weiming Zhuang 等;《IEEE Internet of Things Journal》;第9卷(第15期);第137400-13754页 * |
Modelps: An interactive and collaborative platform for editing pre-trained models at scale;Yuanming Li 等;《Arxiv》;第1-6页 * |
Query Join Order Optimization Method Based on Dynamic Double Deep Q-Network;Lixia Ji 等;《Electronics》;第12卷(第6期);第1-17页 * |
异构信息网络Top-k相关性查询方法研究;步少莉;《中国优秀硕士学位论文全文数据库 基础科学辑(月刊)》(第10期);第A002-90页 * |
微控制器平台低代码神经网络推理技术研究;张岩 等;《单片机与嵌入式系统应用》;第7-10页 * |
无线网络中基于深度Q学习的传输调度方案;朱江 等;《通信学报》;第39卷(第4期);第35-44页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117235119A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102315497B1 (ko) | 채점 모델을 구축하고 사용자 신용을 평가하기 위한 방법 및 디바이스 | |
JP6843882B2 (ja) | 履歴ログからの学習と、etlツール内のデータアセットに関するデータベースオペレーションの推奨 | |
US11443015B2 (en) | Generating prediction models in accordance with any specific data sets | |
US8041729B2 (en) | Categorizing queries and expanding keywords with a coreference graph | |
CN103299267A (zh) | 用于执行多租户存储中的交叉存储连接的方法和系统 | |
US20060179050A1 (en) | Probabilistic model for record linkage | |
US10083263B2 (en) | Automatic modeling farmer | |
US9208198B2 (en) | Technique for factoring uncertainty into cost-based query optimization | |
US11269880B2 (en) | Retroreflective clustered join graph generation for relational database queries | |
US20050165635A1 (en) | Systems and methods for forecasting demand of an object in a managed supply chain | |
WO2019105235A1 (zh) | 定价方法、装置和计算机可读存储介质 | |
US20080208788A1 (en) | Method and system for predicting customer wallets | |
JP2019144639A (ja) | 画像に対応するタグセットを表すベクトルを出力するモデルを訓練する方法 | |
CN109460474B (zh) | 用户偏好趋势挖掘方法 | |
CN117235119B (zh) | 一种低代码平台下多表联合查询的方法 | |
CN116166890A (zh) | 基于浅层自动编码器模型的推荐方法、系统、设备及介质 | |
AU2016247853A1 (en) | Requirements determination | |
CN112463378B (zh) | 一种服务器资产扫描方法、系统、电子设备及存储介质 | |
US11880370B2 (en) | Retroreflective join graph generation for relational database queries | |
JP2022079755A (ja) | 特許情報処理装置、特許情報処理方法、およびプログラム | |
US20220019918A1 (en) | Machine learning feature recommendation | |
CN111178038B (zh) | 一种基于潜在语义分析的文档相似度识别方法及装置 | |
JP5211000B2 (ja) | ランキング関数生成装置、ランキング関数生成方法、ランキング関数生成プログラム | |
CN109787784B (zh) | 群组推荐方法、装置、存储介质和计算机设备 | |
Shi | A Survey of Changepoint Techniques for Time Series Data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |