CN117290411B - 一种多模数据库查询方法、装置、电子设备及存储介质 - Google Patents
一种多模数据库查询方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117290411B CN117290411B CN202311560287.9A CN202311560287A CN117290411B CN 117290411 B CN117290411 B CN 117290411B CN 202311560287 A CN202311560287 A CN 202311560287A CN 117290411 B CN117290411 B CN 117290411B
- Authority
- CN
- China
- Prior art keywords
- data
- query
- model
- engine
- database
- 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 56
- 238000013499 data model Methods 0.000 claims abstract description 189
- 239000013598 vector Substances 0.000 claims description 39
- 238000013473 artificial intelligence Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 36
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008685 targeting 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
-
- 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
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
- G06F16/24534—Query rewriting; Transformation
-
- 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
- G06F16/248—Presentation of query results
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种多模数据库查询方法、装置、电子设备及存储介质,方法包括:确定多个数据模型各自对应的存储引擎;获取数据模型的待存储数据,当待存储数据的数据标识为人工智能模型标识时,通过存储引擎将待存储数据分散存储在人工智能模型标识对应的多个存储节点上;接收客户端设备发送的跨数据模型查询请求;确定跨数据模型查询请求中的各个目标引擎;将跨数据模型查询请求转换成各个目标引擎的查询操作,向各个目标引擎发送查询操作;接收各个目标引擎执行查询操作后查询到的数据;对数据进行整合,生成跨数据模型查询请求的查询结果。本申请能将不同类型的数据存储在多模数据库中,也能使用统一的查询接口进行跨数据模型的查询。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种多模数据库查询方法、装置、电子设备及存储介质。
背景技术
随着人工智能和大模型的快速发展,对数据的处理能力要求大大提升。与此同时,数据的查询请求也越来越多。
然而,现有技术的跨数据模型的查询过程繁琐,不利于提高查询效率。其原因在于,现有的服务端设备无法使用统一的查询接口进行跨数据模型的查询,而数据模型很多,不同的数据模型对应不同的查询接口,如果采用人工的方式,通过不同的查询接口进行数据查询,数据查询的工作量将会十分巨大,且数据查询的时间长,耗费了人力资源和时间资源,因此,现有技术的跨数据模型的查询过程繁琐,不利于提高查询效率。
发明内容
本申请实施例提供一种多模数据库查询方法、装置、电子设备及存储介质,以解决上述现有技术的跨数据模型的查询过程繁琐,不利于提高查询效率的技术问题。
第一方面,本申请实施例提供了一种多模数据库查询方法应用于服务端设备,所述服务端设备连接多模数据库,所述多模数据库查询方法包括:
所述服务端设备获取所述多模数据库的多个数据模型,确定多个所述数据模型各自对应的存储引擎,确定所述存储引擎对应的人工智能模型标识,每个所述人工智能模型标识对应一个人工智能模型,不同的所述人工智能模型标识对应不同的所述人工智能模型;
获取所述数据模型的待存储数据,当所述待存储数据的数据标识为所述人工智能模型标识时,通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上;
将多种所述数据模型的访问接口设置为统一的查询接口,通过所述查询接口接收客户端设备发送的跨数据模型查询请求,所述跨数据模型查询请求为需要多个所述数据模型共同完成的查询请求;
确定所述跨数据模型查询请求中的各个目标引擎,所述目标引擎为所述跨数据模型查询请求中需要查询的所述数据模型对应的存储引擎;
将所述跨数据模型查询请求转换成各个所述目标引擎的查询操作,向各个所述目标引擎发送所述查询操作;
接收各个目标引擎执行所述查询操作后查询到的数据;
对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果。
作为一个可选的实施方式,所述获取所述数据模型的待存储数据,当所述待存储数据的数据标识为所述人工智能模型标识时,通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上,包括:
获取所述数据模型的待存储数据,所述待存储数据携带有数据标识和数据格式;
判断所述数据标识是否为所述人工智能模型标识,同时判断所述数据格式是否为预设格式;
如果所述数据标识为所述人工智能模型标识且所述数据格式为所述预设格式,就根据预先建立的所述人工智能模型标识和所述多个存储节点的对应关系,将通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的所述多个存储节点上。
作为一个可选的实施方式,所述人工智能模型标识包括文本生成模型标识、图像生成模型标识和音频生成模型标识,所述人工智能模型包括文本生成模型、图像生成模型和音频生成模型;
所述服务端设备获取所述多模数据库的多个数据模型,确定多个所述数据模型各自对应的存储引擎,确定所述存储引擎对应的人工智能模型标识,包括:
所述服务端设备获取所述多模数据库的多个数据模型,所述多个数据模型包括关系型数据、时空数据、时序数据、文档数据、向量数据;
确定所述关系型数据对应的存储引擎为关系型数据库引擎,确定所述时空数据对应的存储引擎为时空数据库引擎,确定所述时序数据对应的存储引擎为时序数据库引擎,确定所述文档数据对应的存储引擎为文档数据库引擎,确定所述向量数据对应的存储引擎为向量数据库引擎;
确定所述关系型数据库引擎、所述时空数据库引擎和所述文档数据库引擎对应的所述人工智能模型标识为所述文本生成模型标识,确定所述向量数据库引擎对应的所述人工智能模型标识为所述图像生成模型标识,确定所述时序数据库引擎对应的所述人工智能模型标识为所述音频生成模型标识。
作为一个可选的实施方式,所述获取所述数据模型的待存储数据,当所述待存储数据的数据标识为所述人工智能模型标识时,通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上,包括:
获取所述数据模型的待存储数据,所述待存储数据携带有数据标识和数据格式;
判断所述数据标识是否为所述人工智能模型标识,同时判断所述数据格式是否为预设格式;
如果所述数据标识为所述人工智能模型标识且所述数据格式为所述预设格式,就根据预先建立的所述人工智能模型标识和所述多个存储节点的对应关系,将通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的所述多个存储节点上。
作为一个可选的实施方式,所述确定所述跨数据模型查询请求中的各个目标引擎,包括:
获取所述跨数据模型查询请求中的关键词、操作符和语法规则;
根据所述关键词、所述操作符和所述语法规则,确定所述跨数据模型查询请求中的各个所述目标引擎。
作为一个可选的实施方式,所述对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果,包括:
对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的初始的所述查询结果;
对初始的所述查询结果进行预处理,生成所述跨数据模型查询请求的最终的所述查询结果。
作为一个可选的实施方式,在所述对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果之后,所述多模数据库查询方法包括:
获取所述查询操作中的指定格式,输出符合所述指定格式的所述查询结果。
作为一个可选的实施方式,所述待存储数据包括结构化数据、非结构化数据、向量数据中的其中一种或其组合。
第二方面,本申请实施例还提供了一种多模数据库查询装置,所述多模数据库查询装置包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行上述的多模数据库查询方法。
第三方面,本申请实施例还提供了一种电子设备,所述电子设备包括如上述的多模数据库查询装置。
第四方面,本申请实施例还提供了一种存储介质,所述存储介质用于存储计算机程序,所述计算机程序被处理器执行时使所述处理器实现上述的多模数据库查询方法。
本申请实施例提供了一种多模数据库查询方法、装置、电子设备及存储介质,方法包括:所述服务端设备获取所述多模数据库的多个数据模型,确定多个所述数据模型各自对应的存储引擎,确定所述存储引擎对应的人工智能模型标识,每个所述人工智能模型标识对应一个人工智能模型,不同的所述人工智能模型标识对应不同的所述人工智能模型;
获取所述数据模型的待存储数据,当所述待存储数据的数据标识为所述人工智能模型标识时,通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上;
将多种所述数据模型的访问接口设置为统一的查询接口,通过所述查询接口接收客户端设备发送的跨数据模型查询请求,所述跨数据模型查询请求为需要多个所述数据模型共同完成的查询请求;
确定所述跨数据模型查询请求中的各个目标引擎,所述目标引擎为所述跨数据模型查询请求中需要查询的所述数据模型对应的存储引擎;
将所述跨数据模型查询请求转换成各个所述目标引擎的查询操作,向各个所述目标引擎发送所述查询操作;
接收各个目标引擎执行所述查询操作后查询到的数据;
对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果。
本申请实施例有益效果在于两方面,一方面,对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果,简化了跨数据模型查询的过程,有利于提高跨数据模型的查询效率;另一方面,通过以上设计方案,可以将不同类型的数据存储在多模数据库中,并且可以使用统一的查询接口进行跨数据模型的查询,这样既可以满足存储需求,也可以满足查询需求。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的多模数据库查询方法的流程示意图;
图2为本申请实施例提供的确定存储引擎的流程图;
图3为本申请实施例提供的确定目标引擎的流程图;
图4为本申请实施例提供的多模数据库查询方法的应用场景图;
图5为本申请实施例提供的多模数据库查询装置的示意性框图。
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,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在本申请中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在部分实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
请参阅图1,图1是本申请实施例提供的多模数据库查询方法的流程示意图,该方法可以应用于服务端设备,其中,服务端设备可以是服务器、手机、相机、平板电脑、可穿戴设备、车载设备、增强现实(augmentedreality,AR)/虚拟现实(virtualreality,VR)设备、笔记本电脑、个人计算机(personalcomputer,PC)、上网本、个人数字助理(personaldigitalassistant,PDA)中任一者,本申请实施例中不作任何限制。
如图1所示,本申请实施例提供的多模数据库查询方法包括以下步骤,详述如下:
S101,所述服务端设备获取所述多模数据库的多个数据模型,确定多个所述数据模型各自对应的存储引擎,确定所述存储引擎对应的人工智能模型标识,每个所述人工智能模型标识对应一个人工智能模型,不同的所述人工智能模型标识对应不同的所述人工智能模型;
其中,所述服务端设备连接多模数据库,获取所述多模数据库的多个数据模型,确定多个所述数据模型各自对应的存储引擎。
其中,人工智能模型标识为识别人工智能模型的标识。每个所述人工智能模型标识对应一个人工智能模型,不同的所述人工智能模型标识对应不同的所述人工智能模型。
其中,所述人工智能模型标识包括文本生成模型标识、图像生成模型标识和音频生成模型标识。
其中,文本生成模型标识、图像生成模型标识和音频生成模型标识,是不同的标识。
其中,文本生成模型标识为文本生成模型的标识。
其中,图像生成模型标识为图像生成模型的标识。
其中,音频生成模型标识为音频生成模型的标识。
其中,所述人工智能模型包括文本生成模型、图像生成模型和音频生成模型。
其中,文本生成模型标识对应文本生成模型,图像生成模型标识对应图像生成模型。音频生成模型标识对应音频生成模型。
其中,文本生成模型、音频生成模型、图像生成模型为现有的任一种生成式模型,在此不做限制。
比如,文本生成模型包括文心一言模型、对话模型ChatGPT、写作语言模型PPER、说话人识别代码分析模型Speech From Brain中的任意一种或其组合。
其中,所述多个数据模型包括关系型数据、时空数据、时序数据、文档数据、向量数据。其中,数据模型和存储引擎的关系为一一对应。
比如,所述关系型数据对应的存储引擎为关系型数据库引擎,所述时空数据对应的存储引擎为时空数据库引擎,所述时序数据对应的存储引擎为时序数据库引擎,所述文档数据对应的存储引擎为文档数据库引擎,所述向量数据对应的存储引擎为向量数据库引擎。
其中,关系型数据库引擎包括第一写入函数。
其中,第一写入函数为WriteDataToRelationalDB(Data,Table),其技术作用是将数据写入关系型数据库中的指定表。RelationalDB表示关系型数据库。
其中,文档型数据库引擎包括第二写入函数。
其中,第二写入函数为WriteDataToDocumentDB(Data,Collection)其技术作用是将数据写入文档型数据库中的指定集合。DocumentDB表示文档型数据库。
其中,向量数据库引擎包括第三写入函数。
其中,第三写入函数为WriteDataToVectorDB(Data,Node)其技术作用是将数据写入向量数据库中的指定节点,VectorDB表示向量数据库。
其中,通过第一写入函数、第二写入函数、第三写入函数,可以满足关系型数据库、文档型数据库、向量数据库的数据存储需求。
S102,获取所述数据模型的待存储数据,当所述待存储数据的数据标识为所述人工智能模型标识时,通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上;
其中,所述服务端设备包括所述人工智能模型标识和多个存储节点之间的对应关系。
其中,采用分布式系统,将携带所述人工智能模型标识的待存储数据分散存储在多个存储节点上,以提高数据存储和查询的性能。
其中,所述获取所述数据模型的待存储数据,当所述待存储数据的数据标识为所述人工智能模型标识时,通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上,包括:
获取所述数据模型的待存储数据,所述待存储数据携带有数据标识和数据格式;
判断所述数据标识是否为所述人工智能模型标识,同时判断所述数据格式是否为预设格式;
如果所述数据标识为所述人工智能模型标识且所述数据格式为所述预设格式,就根据预先建立的所述人工智能模型标识和所述多个存储节点的对应关系,将通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的所述多个存储节点上。
其中,预设格式包括文本格式、图片格式、音频格式和视频格式中的其中一种或其组合。
S103,将多种所述数据模型的访问接口设置为统一的查询接口,通过所述查询接口接收客户端设备发送的跨数据模型查询请求,所述跨数据模型查询请求为需要多个所述数据模型共同完成的查询请求;
需说明的是,S103,包括:
将多种所述数据模型的访问接口设置为统一的查询接口,将所有数据模型的访问协议统一为SQL协议;
向人工智能应用场景的客户端设备提供所述查询接口,通过所述查询接口接收客户端设备发送的跨数据模型查询请求,所述跨数据模型查询请求为需要多个所述数据模型共同完成的查询请求。
其中,向人工智能应用场景的客户端设备提供所述查询接口,这样可以满足人工智能应用场景下客户端设备的查询需求。
其中,SQL协议为结构化查询语言协议。
S104,确定所述跨数据模型查询请求中的各个所述目标引擎确定所述跨数据模型查询请求中的各个目标引擎,所述目标引擎为所述跨数据模型查询请求中需要查询的所述数据模型对应的存储引擎;
S105,将所述跨数据模型查询请求转换成各个所述目标引擎的查询操作,向各个所述目标引擎发送所述查询操作;
需说明的是,S105,包括:
获取所述跨数据模型查询请求中的目标表名和查询字段,将所述目标表名和所述查询字段设置为待转换信息;
根据预先建立目标引擎和协议转换脚本的对应关系,获取各个所述目标引擎对应的协议转换脚本,传输所述待转换信息和各个所述目标引擎对应的协议转换脚本至预设的跨数据模型查询函数;
控制所述跨数据模型查询函数调用各个所述目标引擎对应的协议转换脚本,将所述待转换信息转换为各个所述目标引擎支持的查询语言的查询语句,确定各个所述目标引擎执行所述查询语句的查询操作。
其中,各个所述目标引擎支持的查询语言为结构化查询语言。
其中,结构化查询语言(Structured Query Language,简称SQL)。
其中,跨数据模型查询函数为自定义的函数,用于跨数据模型查询。
其中,确定跨数据模型查询的执行代码,对跨数据模型查询的执行代码进行封装,生成跨数据模型查询函数。
为便于说明,举例如下:
其中,服务端设备包括跨数据模型查询函数。
其中,跨数据模型查询函数为CrossModelQuery(QueryA),其技术作用是接收跨数据模型查询请求,将跨数据模型查询请求转换成各个数据存储系统能够理解的查询语言的查询语句,确定各个目标引擎执行查询语句的查询操作,将各个目标引擎返回的数据进行整合,得到查询结果,将查询结果返回给客户端设备。
其中,CrossModel表示跨数据模型。Query表示查询。QueryA表示跨数据模型查询请求。
其中,服务端设备还包括联合查询函数。
其中,联合查询函数用于能处理两个跨数据模型查询请求。
其中,联合查询函数为UnionQuery(Query1,Query2),其技术作用是接收两个查询请求,分别在不同的目标引擎中执行查询操作,然后将两个查询结果进行整合,得到联合查询结果,将联合查询结果返回给客户端设备。
其中,UnionQuery表示联合查询,Query1表示第一查询请求,Query2表示第二查询请求。
S106,接收各个目标引擎执行所述查询操作后查询到的数据;
其中,关系型数据库引擎包括第一查询函数。
其中,第一查询函数为QueryRelationalDB(Table,Condition),其技术作用是在关系型数据库中执行查询操作,根据条件查询数据。RelationalDB表示关系型数据库。Query表示查询。RelationalDB表示关系型数据库。Table表示表格。Condition表示条件。
其中,文档型数据库引擎包括第二查询函数。
其中,第二查询函数为QueryDocumentDB(Document,Condition),其技术作用是在文档型数据库中执行查询操作,根据条件查询数据。DocumentDB表示文档型数据库。Query表示查询。Document表示文档。
其中,向量数据库引擎包括第三查询函数。
其中,第三查询函数为QueryVectorDB(Node,Condition),其技术作用是在向量数据库中执行查询操作,根据条件查询数据,VectorDB表示向量数据库。Node表示节点。
其中,通过第一查询函数、第二查询函数、第三查询函数,可以满足关系型数据库、文档型数据库、向量数据库的数据查询需求。
S107,对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果。
其中,所述对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果,包括:
对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的初始的所述查询结果;
对初始的所述查询结果进行预处理,生成所述跨数据模型查询请求的最终的所述查询结果。
其中,所述预处理包括合并处理、筛选处理或排序处理中的其中一种或其组合。
其中,合并处理用于合并所述初始的所述查询结果中的相同数据。
其中,筛选处理用于筛选所述初始的所述查询结果中的指定数据。
其中,排序处理用于对所述初始的所述查询结果中的创建时间进行排序。
其中,在所述对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果之后,所述多模数据库查询方法包括:
获取所述查询操作中的指定格式,输出符合所述指定格式的所述查询结果。
所述指定格式包括JSON格式、CSV格式中的其中一种或其组合。
其中, JSON (Java Script Object Notation,JS对象简谱)是一种轻量级的数据交换格式。
其中,CSV(Comma-Separated Values,逗号分隔的值)是一种简单、实用的文件格式。
其中,所述待存储数据包括结构化数据、非结构化数据、向量数据中的其中一种或其组合。
为便于说明,设计示例如下:
关系数据:存储用户信息的关系表,包括用户ID、姓名、年龄等字段。
时空数据:存储地理位置信息和时间戳的时空数据集合,如用户的移动轨迹。
时序数据:存储时间序列数据,如传感器数据、股票价格等。
文档数据:存储文档类型的数据,如文章、报告等。
分析数据:存储分析结果的数据,如机器学习模型的参数、预测结果等。
向量数据:存储向量类型的数据,如图像特征向量、文本向量等。
非结构化数据:存储非结构化的数据,如音频、视频等。
通过以上设计方案,可以将不同类型的数据存储在多模数据库中,并且可以使用统一的查询接口进行跨数据模型的查询,这样既可以满足人工智能应用场景下的存储需求,也可以满足人工智能应用场景下的查询需求。
本申请实施例有益效果在于两方面,一方面,对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果,简化了跨数据模型查询的过程,有利于提高跨数据模型的查询效率;另一方面,通过以上设计方案,可以将不同类型的数据存储在多模数据库中,并且可以使用统一的查询接口进行跨数据模型的查询,这样既可以满足人工智能应用场景下的存储需求,也可以满足人工智能应用场景下的查询需求。
请参阅图2,图2为本申请实施例提供的确定存储引擎的流程图,详述如下:
S201,所述服务端设备获取所述多模数据库的多个数据模型,所述多个数据模型包括关系型数据、时空数据、时序数据、文档数据、向量数据;
其中,所述人工智能模型标识包括文本生成模型标识、图像生成模型标识和音频生成模型标识,所述人工智能模型包括文本生成模型、图像生成模型和音频生成模型。
S202,确定所述关系型数据对应的存储引擎为关系型数据库引擎,确定所述时空数据对应的存储引擎为时空数据库引擎,确定所述时序数据对应的存储引擎为时序数据库引擎,确定所述文档数据对应的存储引擎为文档数据库引擎,确定所述向量数据对应的存储引擎为向量数据库引擎;
其中,关系型数据库引擎为关系型数据库的引擎。
其中,时空数据库引擎为时空数据库的引擎。
其中,时序数据库引擎为时序数据库的引擎。
其中,文档数据库引擎为文档数据库的引擎。
其中,向量数据库引擎为向量数据库的引擎。
S203,确定所述关系型数据库引擎、所述时空数据库引擎和所述文档数据库引擎对应的所述人工智能模型标识为所述文本生成模型标识,确定所述向量数据库引擎对应的所述人工智能模型标识为所述图像生成模型标识,确定所述时序数据库引擎对应的所述人工智能模型标识为所述音频生成模型标识。
在本申请实施例中,在多模数据库中,通过不同的存储引擎,存储不同数据模型的携带所述人工智能模型标识的待存储数据,这样可以满足人工智能应用场景下的数据存储需求。
请参阅图3,图3为本申请实施例提供的确定目标引擎的流程图,详述如下:
S301,获取所述跨数据模型查询请求中的关键词、操作符和语法规则;
S301,根据所述关键词、所述操作符和所述语法规则,确定所述跨数据模型查询请求中的各个所述目标引擎。
其中,语法规则为用户预设或系统默认。
优先地,语法规则为描述SQL语法的规则。服务端设备可以通过语法文件获取SQL语法。SQL语法也称为结构化查询语言的语法。
在本申请实施例中,确定所述跨数据模型查询请求中的各个所述目标引擎,这样可以在各个目标引擎查询符合所述跨数据模型查询请求的数据,简化了跨数据模型查询的过程,有利于提高跨数据模型的查询效率。
请参阅图4,图4为本申请实施例提供的多模数据库查询方法的应用场景图,详述如下:
服务端设备通过网络与客户端设备建立通信,服务端设备将多种数据模型的访问接口设置为统一的查询接口,通过所述查询接口接收客户端设备发送的跨数据模型查询请求。
服务端设备接收到所述跨数据模型查询请求后,通过网络将所述跨数据模型查询请求的查询结果发送给客户端设备。
为便于说明,举例如下:
服务端设备接收到所述跨数据模型查询请求后,确定跨数据模型查询请求需要查询的数据模型包括数据模型A、数据模型B、数据模型C;
数据模型A、数据模型B、数据模型C对应的存储引擎分别是存储引擎A、存储引擎B、存储引擎C,因此,多个目标引擎为存储引擎A、存储引擎B、存储引擎C;
将跨数据模型查询请求转化成存储引擎A、存储引擎B、存储引擎C各自对应的查询操作A、查询操作B、查询操作C;
将查询操作A发给存储引擎A,接收存储引擎A执行所述查询操作后查询到的数据A;
将查询操作B发给存储引擎B,接收存储引擎B执行所述查询操作后查询到的数据B;
将查询操作C发给存储引擎C,接收存储引擎C执行所述查询操作后查询到的数据C;
对数据A、数据B、数据C进行整合,生成所述跨数据模型查询请求的查询结果,通过网络将所述跨数据模型查询请求的查询结果发送给客户端设备。
在本申请实施例中,服务端设备接收到所述跨数据模型查询请求后,能通过不同的存储引擎查询符合所述跨数据模型查询请求的数据,这样能减少跨数据模型查询时间,提高有利于提高跨数据模型查询的效率。
请参阅图5,图5为本申请实施例提供的多模数据库查询装置的示意性框图。
如图5所示,该密钥加密装置200可以包括处理器211和存储器212,处理器211和存储器212通过总线连接,该总线比如为I2C(Inter-integrated Circuit)总线。
具体地,处理器211可以是微控制单元(Micro-controller Unit,MCU)、中央处理单元(Central Processing Unit,CPU)或数字信号处理器(Digital Signal Processor,DSP)等。
具体地,存储器212可以是Flash芯片、只读存储器(ROM,Read-OnlyMemory)磁盘、光盘、U盘或移动硬盘等。存储器212中存储有供处理器211执行的各种计算机程序。
其中,所述处理器211用于运行存储在存储器处理器211中的计算机程序,并在执行所述计算机程序时实现如下步骤:
所述服务端设备获取所述多模数据库的多个数据模型,确定多个所述数据模型各自对应的存储引擎,确定所述存储引擎对应的人工智能模型标识,每个所述人工智能模型标识对应一个人工智能模型,不同的所述人工智能模型标识对应不同的所述人工智能模型;
获取所述数据模型的待存储数据,当所述待存储数据的数据标识为所述人工智能模型标识时,通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上;
将多种所述数据模型的访问接口设置为统一的查询接口,通过所述查询接口接收客户端设备发送的跨数据模型查询请求,所述跨数据模型查询请求为需要多个所述数据模型共同完成的查询请求;
确定所述跨数据模型查询请求中的各个目标引擎,所述目标引擎为所述跨数据模型查询请求中需要查询的所述数据模型对应的存储引擎;
将所述跨数据模型查询请求转换成各个所述目标引擎的查询操作,向各个所述目标引擎发送所述查询操作;
接收各个目标引擎执行所述查询操作后查询到的数据;
对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果。
在一些实施例中,处理器211,用于实现:
所述服务端设备获取所述多模数据库的多个数据模型,所述多个数据模型包括关系型数据、时空数据、时序数据、文档数据、向量数据;
确定所述关系型数据对应的存储引擎为关系型数据库引擎,确定所述时空数据对应的存储引擎为时空数据库引擎,确定所述时序数据对应的存储引擎为时序数据库引擎,确定所述文档数据对应的存储引擎为文档数据库引擎,确定所述向量数据对应的存储引擎为向量数据库引擎;
确定所述关系型数据库引擎、所述时空数据库引擎和所述文档数据库引擎对应的所述人工智能模型标识为所述文本生成模型标识,确定所述向量数据库引擎对应的所述人工智能模型标识为所述图像生成模型标识,确定所述时序数据库引擎对应的所述人工智能模型标识为所述音频生成模型标识。
在一些实施例中,处理器211,用于实现:
获取所述数据模型的待存储数据,所述待存储数据携带有数据标识和数据格式;
判断所述数据标识是否为所述人工智能模型标识,同时判断所述数据格式是否为预设格式;
如果所述数据标识为所述人工智能模型标识且所述数据格式为所述预设格式,就根据预先建立的所述人工智能模型标识和所述多个存储节点的对应关系,将通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的所述多个存储节点上。
在一些实施例中,处理器211,用于实现:
获取所述跨数据模型查询请求中的关键词、操作符和语法规则;
根据所述关键词、所述操作符和所述语法规则,确定所述跨数据模型查询请求中的各个所述目标引擎。
在一些实施例中,处理器211,用于实现:
对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的初始的所述查询结果;
对初始的所述查询结果进行预处理,生成所述跨数据模型查询请求的最终的所述查询结果。
在一些实施例中,处理器211,用于实现:
获取所述查询操作中的指定格式,输出符合所述指定格式的所述查询结果。
在一些实施例中,处理器211,用于实现:
所述待存储数据包括结构化数据、非结构化数据、向量数据中的其中一种或其组合。
本申请的实施例中还提供一种电子设备,该电子设备的类型包括但不限于是手机、相机、平板电脑、可穿戴设备、车载设备、增强现实(augmentedreality,AR)/虚拟现实(virtualreality,VR)设备、笔记本电脑、个人计算机(personalcomputer,PC)、上网本、个人数字助理(personaldigitalassistant,PDA)等,本申请实施例中不作任何限制。
其中,该电子设备包括多模数据库查询装置,示例性的,该多模数据库查询装置可以为上述实施例中所述的多模数据库查询装置200。电子设备可以执行本申请实施例所提供的任一种多模数据库查询方法,因此,可以实现本申请实施例所提供的任一种多模数据库查询方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
本申请的实施例中还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现上述实施例提供的多模数据库查询方法的步骤。例如,该计算机程序被处理器加载,可以执行如下步骤:
所述服务端设备获取所述多模数据库的多个数据模型,确定多个所述数据模型各自对应的存储引擎,确定所述存储引擎对应的人工智能模型标识,每个所述人工智能模型标识对应一个人工智能模型,不同的所述人工智能模型标识对应不同的所述人工智能模型;
获取所述数据模型的待存储数据,当所述待存储数据的数据标识为所述人工智能模型标识时,通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上;
将多种所述数据模型的访问接口设置为统一的查询接口,通过所述查询接口接收客户端设备发送的跨数据模型查询请求,所述跨数据模型查询请求为需要多个所述数据模型共同完成的查询请求;
确定所述跨数据模型查询请求中的各个目标引擎,所述目标引擎为所述跨数据模型查询请求中需要查询的所述数据模型对应的存储引擎;
将所述跨数据模型查询请求转换成各个所述目标引擎的查询操作,向各个所述目标引擎发送所述查询操作;
接收各个目标引擎执行所述查询操作后查询到的数据;
对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果。
本申请实施例有益效果在于两方面,一方面,对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果,简化了跨数据模型查询的过程,有利于提高跨数据模型的查询效率;另一方面,通过以上设计方案,可以将不同类型的数据存储在多模数据库中,并且可以使用统一的查询接口进行跨数据模型的查询,这样既可以满足人工智能应用场景下的存储需求,也可以满足人工智能应用场景下的查询需求。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,所述存储介质可以是前述实施例的多模数据库查询装置或电子设备的内部存储单元,例如多模数据库查询装置或电子设备的硬盘或内存。所述存储介质也可以是多模数据库查询装置或电子设备的外部存储电子设备,例如多模数据库查询装置或电子设备上配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)等。
由于该存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种多模数据库查询方法,因此,可以实现本申请实施例所提供的任一种多模数据库查询方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上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他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种多模数据库查询方法,其特征在于,应用于服务端设备,所述服务端设备连接多模数据库,所述多模数据库查询方法包括:
所述服务端设备获取所述多模数据库的多个数据模型,确定多个所述数据模型各自对应的存储引擎,确定所述存储引擎对应的人工智能模型标识,每个所述人工智能模型标识对应一个人工智能模型,不同的所述人工智能模型标识对应不同的所述人工智能模型;
获取所述数据模型的待存储数据,当所述待存储数据的数据标识为所述人工智能模型标识时,通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上;
将多种所述数据模型的访问接口设置为统一的查询接口,通过所述查询接口接收客户端设备发送的跨数据模型查询请求,所述跨数据模型查询请求为需要多个所述数据模型共同完成的查询请求;
确定所述跨数据模型查询请求中的各个目标引擎,所述目标引擎为所述跨数据模型查询请求中需要查询的所述数据模型对应的存储引擎;
将所述跨数据模型查询请求转换成各个所述目标引擎的查询操作,向各个所述目标引擎发送所述查询操作;
接收各个目标引擎执行所述查询操作后查询到的数据;
对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果。
2.根据权利要求1所述的多模数据库查询方法,其特征在于,所述人工智能模型标识包括文本生成模型标识、图像生成模型标识和音频生成模型标识,所述人工智能模型包括文本生成模型、图像生成模型和音频生成模型;
所述服务端设备获取所述多模数据库的多个数据模型,确定多个所述数据模型各自对应的存储引擎,确定所述存储引擎对应的人工智能模型标识,包括:
所述服务端设备获取所述多模数据库的多个数据模型,所述多个数据模型包括关系型数据、时空数据、时序数据、文档数据、向量数据;
确定所述关系型数据对应的存储引擎为关系型数据库引擎,确定所述时空数据对应的存储引擎为时空数据库引擎,确定所述时序数据对应的存储引擎为时序数据库引擎,确定所述文档数据对应的存储引擎为文档数据库引擎,确定所述向量数据对应的存储引擎为向量数据库引擎;
确定所述关系型数据库引擎、所述时空数据库引擎和所述文档数据库引擎对应的所述人工智能模型标识为所述文本生成模型标识,确定所述向量数据库引擎对应的所述人工智能模型标识为所述图像生成模型标识,确定所述时序数据库引擎对应的所述人工智能模型标识为所述音频生成模型标识。
3.根据权利要求1所述的多模数据库查询方法,其特征在于,所述获取所述数据模型的待存储数据,当所述待存储数据的数据标识为所述人工智能模型标识时,通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的多个存储节点上,包括:
获取所述数据模型的待存储数据,所述待存储数据携带有数据标识和数据格式;
判断所述数据标识是否为所述人工智能模型标识,同时判断所述数据格式是否为预设格式;
如果所述数据标识为所述人工智能模型标识且所述数据格式为所述预设格式,就根据预先建立的所述人工智能模型标识和所述多个存储节点的对应关系,将通过所述存储引擎将所述待存储数据分散存储在所述人工智能模型标识对应的所述多个存储节点上。
4.根据权利要求1所述的多模数据库查询方法,其特征在于,所述确定所述跨数据模型查询请求中的各个目标引擎,包括:
获取所述跨数据模型查询请求中的关键词、操作符和语法规则;
根据所述关键词、所述操作符和所述语法规则,确定所述跨数据模型查询请求中的各个所述目标引擎。
5.根据权利要求1所述的多模数据库查询方法,其特征在于,所述对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果,包括:
对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的初始的所述查询结果;
对初始的所述查询结果进行预处理,生成所述跨数据模型查询请求的最终的所述查询结果。
6.根据权利要求1至5中任一项所述的多模数据库查询方法,其特征在于,在所述对各个目标引擎执行所述查询操作后查询到的所述数据进行整合,生成所述跨数据模型查询请求的查询结果之后,所述多模数据库查询方法包括:
获取所述查询操作中的指定格式,输出符合所述指定格式的所述查询结果。
7.根据权利要求1至5中任一项所述的多模数据库查询方法,其特征在于,所述待存储数据包括结构化数据、非结构化数据、向量数据中的其中一种或其组合。
8.一种多模数据库查询装置,其特征在于,所述多模数据库查询装置包括处理器、存储器,所述存储器存储有可被所述处理器执行的计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1至7中任一项所述的多模数据库查询方法。
9.一种电子设备,其特征在于,所述电子设备包括如权利要求8所述的多模数据库查询装置。
10.一种存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至7中任一项所述的多模数据库查询方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311560287.9A CN117290411B (zh) | 2023-11-22 | 2023-11-22 | 一种多模数据库查询方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311560287.9A CN117290411B (zh) | 2023-11-22 | 2023-11-22 | 一种多模数据库查询方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117290411A CN117290411A (zh) | 2023-12-26 |
CN117290411B true CN117290411B (zh) | 2024-02-13 |
Family
ID=89258851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311560287.9A Active CN117290411B (zh) | 2023-11-22 | 2023-11-22 | 一种多模数据库查询方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290411B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117975968A (zh) * | 2024-04-02 | 2024-05-03 | 四川金信石信息技术有限公司 | 一种基于声音和语言模型的远程巡视系统控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018035799A1 (zh) * | 2016-08-25 | 2018-03-01 | 阿里巴巴集团控股有限公司 | 数据查询方法、应用和数据库服务器、中间件及系统 |
CN113094387A (zh) * | 2021-04-08 | 2021-07-09 | 杭州数梦工场科技有限公司 | 一种数据查询方法、装置、电子设备及机器可读存储介质 |
CN113641796A (zh) * | 2021-08-30 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 数据搜索方法、系统及存储介质 |
CN114357276A (zh) * | 2021-12-23 | 2022-04-15 | 北京百度网讯科技有限公司 | 数据查询方法、装置、电子设备以及存储介质 |
CN114756569A (zh) * | 2022-03-25 | 2022-07-15 | 北京友友天宇系统技术有限公司 | 结构化查询语句的多层解析方法、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11853301B1 (en) * | 2019-03-29 | 2023-12-26 | Amazon Technologies, Inc. | Sharing compiled code for executing queries across query engines |
CN111949650A (zh) * | 2019-05-15 | 2020-11-17 | 华为技术有限公司 | 一种多语言融合查询方法及多模数据库系统 |
-
2023
- 2023-11-22 CN CN202311560287.9A patent/CN117290411B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018035799A1 (zh) * | 2016-08-25 | 2018-03-01 | 阿里巴巴集团控股有限公司 | 数据查询方法、应用和数据库服务器、中间件及系统 |
CN113094387A (zh) * | 2021-04-08 | 2021-07-09 | 杭州数梦工场科技有限公司 | 一种数据查询方法、装置、电子设备及机器可读存储介质 |
CN113641796A (zh) * | 2021-08-30 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 数据搜索方法、系统及存储介质 |
CN114357276A (zh) * | 2021-12-23 | 2022-04-15 | 北京百度网讯科技有限公司 | 数据查询方法、装置、电子设备以及存储介质 |
CN114756569A (zh) * | 2022-03-25 | 2022-07-15 | 北京友友天宇系统技术有限公司 | 结构化查询语句的多层解析方法、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117290411A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108628947B (zh) | 一种业务规则匹配处理方法、装置及处理设备 | |
CN110428058B (zh) | 联邦学习模型训练方法、装置、终端设备及存储介质 | |
CN117290411B (zh) | 一种多模数据库查询方法、装置、电子设备及存储介质 | |
CN108696381B (zh) | 一种协议配置方法及装置 | |
US20200285508A1 (en) | Method and Apparatus for Assigning Computing Task | |
CN109036397B (zh) | 用于呈现内容的方法和装置 | |
US20200210829A1 (en) | Network off-line model processing method, artificial intelligence processing device and related products | |
CN107832720B (zh) | 基于人工智能的信息处理方法和装置 | |
CN102214099A (zh) | 用于autosar的rte代码自动生成方法 | |
CN111161705B (zh) | 语音转换方法及装置 | |
CN114095405A (zh) | 车辆功能单元测试方法、装置、电子设备及存储介质 | |
CN116662875A (zh) | 接口测绘方法及装置 | |
CN115762506A (zh) | 控制方法、装置、系统、车辆及存储介质 | |
CN112883088B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN116932147A (zh) | 流式作业处理方法、装置、电子设备及介质 | |
CN112148962A (zh) | 用于推送信息的方法和装置 | |
CN111221841A (zh) | 基于大数据的实时处理方法及装置 | |
CN107391711B (zh) | 获取歌曲伴奏的方法和装置 | |
CN110471708B (zh) | 基于可重用组件的配置项获取的方法及装置 | |
CN114218175A (zh) | 一种资源跨平台共享方法、装置、终端设备及存储介质 | |
CN112953993B (zh) | 资源调度方法、设备、网络系统及存储介质 | |
CN113468258A (zh) | 一种异构数据的转换方法、装置及存储介质 | |
CN113821750B (zh) | 一种页面数据处理方法、系统、电子设备及可读存储介质 | |
CN111126340A (zh) | 对象识别方法、装置、电子设备及计算机可读存储介质 | |
CN111860851A (zh) | 用于识别图像的方法和系统 |
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 |