CN117555993A - Erp系统中多维数据的检索方法、装置和介质 - Google Patents
Erp系统中多维数据的检索方法、装置和介质 Download PDFInfo
- Publication number
- CN117555993A CN117555993A CN202311689891.1A CN202311689891A CN117555993A CN 117555993 A CN117555993 A CN 117555993A CN 202311689891 A CN202311689891 A CN 202311689891A CN 117555993 A CN117555993 A CN 117555993A
- Authority
- CN
- China
- Prior art keywords
- current
- query statement
- historical
- data
- feature vector
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 claims abstract description 80
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 158
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 108091026890 Coding region Proteins 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000002360 explosive Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3349—Reuse of stored results of previous queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于语义检索的技术领域,提供了ERP系统中多维数据的检索方法、装置和介质,所述ERP系统中多维数据的检索方法包括:在多个所述历史查询语句中匹配与所述当前查询语句一致的历史查询语句;若所述当前查询语句与所述历史查询语句一致,则将所述历史查询语句对应的查询结果,作为所述当前查询语句对应的目标数据和所述目标数据对应的分析数据;若所述当前查询语句与所述历史查询语句不一致,则在所述冷存储区域中匹配所述当前查询语句对应的目标数据;根据所述目标数据,计算所述分析数据;将所述目标数据和所述目标数据对应的分析数据,作为检索结果。上述方案实现了快速匹配、精确结果和高效计算,从而提升了检索效率。
Description
技术领域
本发明属于语义检索的技术领域,尤其涉及一种ERP系统中多维数据的检索方法、装置和介质。
背景技术
多维数据检索是在ERP(Enterprise Resource Planning,企业资源规划)系统中用于查询和分析数据的一种技术。它允许用户从多个维度(例如时间、地区、产品等)来检索和分析数据,以获取更全面的视图和深入的洞察力。OLAP(Online AnalyticalProcessing,联机分析处理)是一种处理大量数据进行多维分析的技术。它允许用户在多个维度上执行复杂计算、汇总和钻取操作。OLAP立方体通常用于存储预聚合数据,提供快速高效的查询功能。OLAP允许用户通过多维视角来理解和分析数据,而不仅仅是单纯的按照关系数据库表格形式进行操作。它通过预计算和存储聚合数据,以及提供强大的切片、钻取、钻取和旋转等分析操作,使用户能够交互式地查询和浏览数据。
然而,传统OLAP技术面对如今爆炸式的数据增长,查询效率往往较低,这是一个亟需解决的技术问题。
发明内容
有鉴于此,本发明实施例提供了一种ERP系统中多维数据的检索方法、装置和介质,以解决传统OLAP技术面对如今爆炸式的数据增长,查询效率往往较低的技术问题。
本发明实施例的第一方面提供了一种ERP系统中多维数据的检索方法,所述ERP系统中多维数据的检索方法应用于终端设备中,所述终端设备包括温存储区域和冷存储区域,所述ERP系统中多维数据的检索方法包括:
获取由用户输入的当前查询语句和所述温存储区域中的多个历史查询语句;
在多个所述历史查询语句中匹配与所述当前查询语句一致的历史查询语句;
若所述当前查询语句与所述历史查询语句一致,则将所述历史查询语句对应的查询结果,作为所述当前查询语句对应的目标数据和所述目标数据对应的分析数据;
若所述当前查询语句与所述历史查询语句不一致,则在所述冷存储区域中匹配所述当前查询语句对应的目标数据;其中,所述温存储区域存储部分数据,所述冷存储区域存储全部数据;
根据所述目标数据,计算所述分析数据;
将所述目标数据和所述目标数据对应的分析数据,作为检索结果。
进一步地,所述在多个所述历史查询语句中匹配与所述当前查询语句一致的历史查询语句的步骤包括:
构建所述当前查询语句对应的当前特征向量;
将所述当前特征向量输入转换函数,得到目标特征向量;
计算所述目标特征向量与多个预设特征向量之间的距离;
获取最小距离对应的预设特征向量对应的聚类簇;
在所述聚类簇中遍历与所述当前特征向量一致的历史特征向量;
将所述历史特征向量对应的查询语句,作为与所述当前查询语句一致的历史查询语句。
进一步地,所述将所述当前特征向量输入转换函数,得到目标特征向量的步骤包括:
将所述当前特征向量输入如下转换函数,得到所述目标特征向量;
所述转换函数如下:
其中,x表示所述当前特征向量,y表示所述目标特征向量,A表示预设的可逆矩阵,t为预设系数。
进一步地,在所述构建所述当前查询语句对应的当前特征向量的步骤之前,还包括:
获取多个初始聚类中心;
获取第一历史特性向量;
计算所述第一历史特性向量与多个初始聚类中心之间的第一相似度;
若所述第一相似度大于第一阈值,则根据所述第一相似度对应的第一历史特性向量调整所述第一相似度对应初始聚类中心,得到当前初始聚类中心;
若所述第一相似度不大于第一阈值,则将所述第一历史特性向量作为新的初始聚类中心;
将所述当前初始聚类中心或所述新的初始聚类中心代入转换函数,得到所述预设特征向量。
进一步地,所述获取多个初始聚类中心的步骤,包括:
获取多个第二历史特征向量,在多个所述第二历史特征向量中,随机选择预设数量的第二历史特征向量,作为第一聚类中心;
计算多个所述第一聚类中心之间的第二相似度;
若所述第二相似度大于第一阈值,则将所述第二相似度对应的所述第一聚类中心合并,得到第一数量的第二聚类中心;
计算剩余历史特征向量与多个所述第二聚类中心之间的第三相似度;所述剩余历史特征向量是指在所有历史特征向量中除了所述预设数量的第二历史特征向量之外的第二历史特征向量;
若所述第三相似度大于第二阈值,则将所述第三相似度对应的剩余历史特征向量,作为所述第三相似度对应的第二聚类中心的聚类簇;
计算所述聚类簇中所有特征向量的均值,得到所述初始聚类中心。
进一步地,所述构建所述当前查询语句对应的当前特征向量的步骤包括:
将所述当前查询语句进行编码处理,得到编码序列;
根据所述编码序列,形成每个词语对应的编码矩阵;
将所述编码矩阵输入预设识别模型中,得到由所述预设识别模型输出的置信度;
根据每个词语的置信度,筛选所述当前查询语句中的重点词语;
将所述重点词语对应的编码,构建为所述当前特征向量。
进一步地,所述根据所述编码序列,形成每个词语对应的编码矩阵的步骤包括:
获取每个当前词语前面和后面预设数量的相邻词语;
根据所述当前词语和多个所述相邻词语对应的编码,构建编码矩阵;其中,所述当前词语对应的编码位于所述编码矩阵的中心。
本发明实施例的第二方面提供了一种ERP系统中多维数据的检索装置,包括:
获取单元,用于获取由用户输入的当前查询语句和所述温存储区域中的多个历史查询语句;
匹配单元,用于在多个所述历史查询语句中匹配与所述当前查询语句一致的历史查询语句;
第一判断单元,用于若所述当前查询语句与所述历史查询语句一致,则将所述历史查询语句对应的查询结果,作为所述当前查询语句对应的目标数据和所述目标数据对应的分析数据;
第二判断单元,用于若所述当前查询语句与所述历史查询语句不一致,则在所述冷存储区域中匹配所述当前查询语句对应的目标数据;其中,所述温存储区域存储部分数据,所述冷存储区域存储全部数据;
计算单元,用于根据所述目标数据,计算所述分析数据;
确认单元,用于将所述目标数据和所述目标数据对应的分析数据,作为检索结果。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。
本发明实施例的第四方面提供了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程序,所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明通过获取由用户输入的当前查询语句和所述温存储区域中的多个历史查询语句;在多个所述历史查询语句中匹配与所述当前查询语句一致的历史查询语句;若所述当前查询语句与所述历史查询语句一致,则将所述历史查询语句对应的查询结果,作为所述当前查询语句对应的目标数据和所述目标数据对应的分析数据;若所述当前查询语句与所述历史查询语句不一致,则在所述冷存储区域中匹配所述当前查询语句对应的目标数据;其中,所述温存储区域存储部分数据,所述冷存储区域存储全部数据;根据所述目标数据,计算所述分析数据;将所述目标数据和所述目标数据对应的分析数据,作为检索结果。在上述方案中,为了提升检索效率,故将历史检索的历史查询语句以及历史查询语句对应的查询结果存储在温存储区域。通过从温存储区域中获取历史查询语句,并与当前查询语句进行匹配,即使只在较小的数据集中进行匹配,可以减少整个查询过程所需的时间。在当前查询语句与历史查询语句一致时,将利用历史查询语句对应的查询结果作为目标数据,以及与之相对应的分析数据。这样可以避免重新计算结果,从而提高检索效率。该技术方案通过利用历史查询语句和存储区域的数据分布特点,实现了快速匹配、精确结果和高效计算,从而提升了检索效率和用户体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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示出了本发明提供的一种ERP系统中多维数据的检索方法的示意性流程图;
图2示出了本发明一实施例提供的一种ERP系统中多维数据的检索装置的示意图;
图3示出了本发明一实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
本发明实施例提供了一种ERP系统中多维数据的检索方法、装置和介质,以解决传统OLAP技术面对如今爆炸式的数据增长,查询效率往往较低的技术问题。
首先,本发明提供了一种ERP系统中多维数据的检索方法,ERP系统中多维数据的检索方法应用于终端设备中,所述终端设备包括温存储区域和冷存储区域。请参见图1,图1示出了本发明提供的一种ERP系统中多维数据的检索方法的示意性流程图。如图1所示,该ERP系统中多维数据的检索方法可以包括如下步骤:
步骤101:获取由用户输入的当前查询语句和所述温存储区域中的多个历史查询语句。
本申请区别于传统的OLAP技术,采用对话式语义检索模式,即由用户通过在输入框内输入对话的形式,进行语义检索,而不是传统OLAP技术通过用户不断筛选条件进行机械检索。
其中,温存储(Warm Storage)指的是对相对活跃但不需要实时访问的数据进行存储。这些数据可能会被定期访问,但不需要随时准备好响应用户请求。通常,温存储使用高速硬盘驱动器或闪存存储等中等性能的存储介质。由于温存储提供了较快的读写速度,可以更容易地检索和处理数据,因此适合需要比冷存储更快速访问的数据。冷存储(ColdStorage)是指对不经常被访问的数据进行长期保存的存储方法。这些数据可能是过时的、不再频繁使用的或者仅在需要时查看的资料。冷存储通常采用低成本的存储介质,如磁带库或光盘等,其读写速度较慢。由于数据很少被访问,可靠性和持久性是冷存储的重要考虑因素。选择温存储或冷存储取决于数据的需求和访问模式。对于需要快速访问的关键数据,温存储提供了更好的性能和较低的延迟。而对于不常用或需要以较低成本存储的数据,冷存储则是一个经济高效的选择。
本申请为了提高检索效率,故将历史检索语句和历史检索语句对应的检索结果存储在温存储区域,而冷存储区域存储全部数据。其中,温存储区域并不是永久存储,数据在存储预设时长后,将会被删除,而新的检索结果将存储进温存储区域。
可以理解的是,由于在温存储区域中存储有历史检索语句和历史检索语句对应的检索结果,无需在全部数据中进行遍历检索,故避免了冗余检索,提高了整体的检索效率。
步骤102:在多个所述历史查询语句中匹配与所述当前查询语句一致的历史查询语句。
具体地,步骤102具体包括步骤1021至步骤1026:
步骤1021:构建所述当前查询语句对应的当前特征向量;
具体的步骤1021具体包括步骤A1至步骤A5:
步骤A1:将所述当前查询语句进行编码处理,得到编码序列;
将用户输入的当前查询语句进行清洗和标准化处理,包括去除特殊字符和停用词等。并通过嵌入模型Word2Vec进行编码处理,得到编码序列。
步骤A2:根据所述编码序列,形成每个词语对应的编码矩阵;
为了充分提取每个词语的语义特征,进而提高识别率,本申请提供了一种全新的编码矩阵,具体如下:
具体地,步骤A2具体包括步骤A21至步骤A22:
步骤A21:获取每个当前词语前面和后面预设数量的相邻词语;
为了充分理解词语的语义,故获取每个当前词语前面和后面预设数量的相邻词语。
步骤A22:根据所述当前词语和多个所述相邻词语对应的编码,构建编码矩阵;其中,所述当前词语对应的编码位于所述编码矩阵的中心。
按照语句中每个词语的顺序,将当前词语和多个相邻词语对应的编码,排列至空白矩阵中,得到编码矩阵。其中,当前词语对应的编码位于编码矩阵的中心。
在本实施例中,根据预设数量,获取当前词语前面和后面的相邻词语。可以帮助提供上下文信息,以更好地理解当前词语在整个句子中的语境。通过将当前词语及其多个相邻词语对应的编码进行拼接或排列,构建编码矩阵。编码矩阵的大小将取决于当前词语及其相邻词语的数量。当前词语对应的编码将位于编码矩阵的中心位置。有助于突出当前词语的重要性,并使得编码矩阵在刻画当前词语的上下文信息时更加准确。
步骤A3:将所述编码矩阵输入预设识别模型中,得到由所述预设识别模型输出的置信度;
预设识别模型是预先训练的深度学习模型。预设识别模型可以根据编码矩阵输出当前词汇对应的置信度。其中,不同的置信度对应不同的重点词汇类型,重点词汇类型包括但不限于产品、地区或时间等词汇类型。而非重点词汇对应的置信度为0。
步骤A4:根据每个词语的置信度,筛选所述当前查询语句中的重点词语;
由于不同的置信度表达不同的重点词汇类型,故可根据置信度在当前查询语句中筛选重点词语。
步骤A5:将所述重点词语对应的编码,构建为所述当前特征向量。
在本实施例中,将当前查询语句进行编码处理,得到编码序列。根据编码序列,形成每个词语对应的编码矩阵。将编码序列按照词语的顺序排列,并将每个词语的编码表示作为矩阵的一行或一列。这样得到的编码矩阵反映了查询语句中每个词语的数值特征。将编码矩阵输入预设识别模型中,得到由预设识别模型输出的置信度。根据每个词语的置信度,筛选当前查询语句中的重点词语。根据预设识别模型的输出置信度,可以确定哪些词语在当前查询语句中起到重要作用。这些重点词语可能是关键信息或者需要特别关注的内容。将重点词语对应的编码,构建为当前特征向量,得到一个包含关键信息的当前特征向量。这个特征向量可以作为查询语句的数值表示,用于后续的检索、分类或其他任务。当前特征向量可能会更好地捕捉到查询语句的关键信息,有助于提升后续任务的性能。
步骤1022:将所述当前特征向量输入转换函数,得到目标特征向量;
为了进一步提高检索效率,故本申请根据特性向量的编码特性和向量特性,采用转换函数,对当前特征向量进行降维和特征提取处理,得到目标特征向量,具体过程如下:
具体地,步骤1022具体包括:将所述当前特征向量输入如下转换函数,得到所述目标特征向量;
所述转换函数如下:
其中,x表示所述当前特征向量,y表示所述目标特征向量,A表示预设的可逆矩阵,t为预设系数。
上述公式是基于大量实验数据与验证而得,但不限于上述数学表达式。
值得注意的是,矩阵A是一个可逆的矩阵,它的大小和元素取决于初始向量转换目标向量的维度,用于对当前特征向量进行降维处理。矩阵A对当前特征向量的每个分量进行线性变换,使得目标特征向量的每个分量与当前特征向量的每个分量有一定的关系。
步骤1023:计算所述目标特征向量与多个预设特征向量之间的距离;
本申请为了提高检索效率,故获取多个聚类簇对应的预设特征向量。计算目标特征向量与多个预设特征向量之间的距离,为目标特性向量匹配最相似的聚类簇,进而缩小检索范围,提高了检索效率。
步骤1024:获取最小距离对应的预设特征向量对应的聚类簇;
步骤1025:在所述聚类簇中遍历与所述当前特征向量一致的历史特征向量;
步骤1026:将所述历史特征向量对应的查询语句,作为与所述当前查询语句一致的历史查询语句。
在本实施例中,构建当前查询语句对应的当前特征向量,这个向量包含了当前查询语句的关键特征信息。将当前特征向量输入一个转换函数,转换函数对输入的特征向量进行降维和特征提取操作。计算目标特征向量与多个预设特征向量之间的距离。根据计算出的距离结果,确定与目标特征向量距离最小的预设特征向量所属的聚类簇。聚类簇可以理解为特征向量的分组或分类。在确定的聚类簇中,遍历其中的历史特征向量,并找到与当前特征向量一致的历史特征向量。将历史特征向量对应的查询语句作为与当前查询语句一致的历史查询语句。上述技术方案,通过构建特征向量、计算距离、聚类和遍历历史特征向量,可以有效地匹配与当前查询语句一致的历史查询语句,进而为后续提供更准确的搜索结果或相关信息。
步骤103:若所述当前查询语句与所述历史查询语句一致,则将所述历史查询语句对应的查询结果,作为所述当前查询语句对应的目标数据和所述目标数据对应的分析数据。
步骤104:若所述当前查询语句与所述历史查询语句不一致,则在所述冷存储区域中匹配所述当前查询语句对应的目标数据;其中,所述温存储区域存储部分数据,所述冷存储区域存储全部数据。
步骤105:根据所述目标数据,计算所述分析数据。
其中,对目标数据进行数据分析是OLAP的常规技术,在此不再赘述。
步骤106:将所述目标数据和所述目标数据对应的分析数据,作为检索结果。
在本实施例中,通过获取由用户输入的当前查询语句和所述温存储区域中的多个历史查询语句;在多个所述历史查询语句中匹配与所述当前查询语句一致的历史查询语句;若所述当前查询语句与所述历史查询语句一致,则将所述历史查询语句对应的查询结果,作为所述当前查询语句对应的目标数据和所述目标数据对应的分析数据;若所述当前查询语句与所述历史查询语句不一致,则在所述冷存储区域中匹配所述当前查询语句对应的目标数据;其中,所述温存储区域存储部分数据,所述冷存储区域存储全部数据;根据所述目标数据,计算所述分析数据;将所述目标数据和所述目标数据对应的分析数据,作为检索结果。在上述方案中,为了提升检索效率,故将历史检索的历史查询语句以及历史查询语句对应的查询结果存储在温存储区域。通过从温存储区域中获取历史查询语句,并与当前查询语句进行匹配,即使只在较小的数据集中进行匹配,可以减少整个查询过程所需的时间。在当前查询语句与历史查询语句一致时,将利用历史查询语句对应的查询结果作为目标数据,以及与之相对应的分析数据。这样可以避免重新计算结果,从而提高检索效率。该技术方案通过利用历史查询语句和存储区域的数据分布特点,实现了快速匹配、精确结果和高效计算,从而提升了检索效率和用户体验。
可选地,在步骤1021之前,还包括如下步骤B1至步骤B6:
步骤B1:获取多个初始聚类中心;
具体地,步骤B1具体包括步骤B11至步骤B16:
步骤B11:获取多个第二历史特征向量,在多个所述第二历史特征向量中,随机选择预设数量的第二历史特征向量,作为第一聚类中心;
值得注意的是,第二历史特征向量用于构建初始聚类中心,而第一历史特征向量用于更新初始聚类中心。
在多个第二历史特征向量中,先随机选择预设数量的第二历史特征向量,作为第一聚类中心。
步骤B12:计算多个所述第一聚类中心之间的第二相似度;
由于第一聚类中心是随机选择的,故可能存在较为相似的第一聚类中心,故需要计算第一聚类中心之间的第二相似度,进而将相似度较高的第一聚类中心进行合并处理。
步骤B13:若所述第二相似度大于第一阈值,则将所述第二相似度对应的所述第一聚类中心合并,得到第一数量的第二聚类中心;
步骤B14:计算剩余历史特征向量与多个所述第二聚类中心之间的第三相似度;所述剩余历史特征向量是指在所有历史特征向量中除了所述预设数量的第二历史特征向量之外的第二历史特征向量;
步骤B15:若所述第三相似度大于第二阈值,则将所述第三相似度对应的剩余历史特征向量,作为所述第三相似度对应的第二聚类中心的聚类簇;
步骤B16:计算所述聚类簇中所有特征向量的均值,得到所述初始聚类中心。
在本实施例中,获取多个第二历史特征向量,从多个第二历史特征向量中随机选择指定数量的向量,作为第一次迭代的聚类中心。使用适当的相似度度量方法(如余弦相似度或欧氏距离)计算第一聚类中心之间的相似度值。若两个第一聚类中心之间的相似度值大于预设的第一阈值,则将它们合并为一个新的聚类中心,得到第一阶段的第二聚类中心。剩余历史特征向量是指除了预设数量的第二历史特征向量之外的所有其他历史特征向量。计算这些向量与第二聚类中心之间的相似度值。若某个剩余历史特征向量与某个第二聚类中心之间的相似度值大于第二阈值,则将该向量归类到对应的第二聚类中心。对每个聚类簇中的特征向量进行求平均操作,得到该聚类簇的均值向量,即为初始聚类中心。以上技术方案通过利用相似性度量和阈值筛选来生成初始聚类中心。它能够根据历史特征向量之间的相似性将它们分配到合适的聚类簇中。这种方法可以有助于快速构建具有一定初始稳定性的聚类中心,进而进行后续的聚类分析和数据挖掘任务。
步骤B2:获取第一历史特性向量;
步骤B3:计算所述第一历史特性向量与多个初始聚类中心之间的第一相似度;
步骤B4:若所述第一相似度大于第一阈值,则根据所述第一相似度对应的第一历史特性向量调整所述第一相似度对应初始聚类中心,得到当前初始聚类中心;
将第一历史特性向量合并至初始聚类中心对应的聚类簇,并计算聚类簇中所有特征向量的均值,得到当前初始聚类中心。
步骤B5:若所述第一相似度不大于第一阈值,则将所述第一历史特性向量作为新的初始聚类中心;
值得注意的是,在后续通过第一历史特性向量更新初始聚类中心时,若第一历史特性向量无法匹配任意一个初始聚类中心,则将第一历史特性向量作为新的初始聚类中心,进而提高了聚类中心的精准度。
步骤B6:将所述当前初始聚类中心或所述新的初始聚类中心代入转换函数,得到所述预设特征向量。
在本实施例中,获取多个初始聚类中心,中心点将用作后续计算和调整的基础。从已有的数据或先前的计算结果中获取第一历史特性向量。计算第一历史特性向量与多个初始聚类中心之间的第一相似度:使用相似度度量方法(如余弦相似度、欧氏距离等),计算第一历史特性向量与多个初始聚类中心之间的相似程度。若第一相似度大于设定的第一阈值,说明第一历史特性向量与某个初始聚类中心更为相似,此时对应的初始聚类中心将被调整以更好地代表该向量。若第一相似度不满足设定的第一阈值,意味着第一历史特性向量无法有效地与现有的初始聚类中心匹配,因此将第一历史特性向量作为新的初始聚类中心。根据技术方案中提到的转换函数,将得到的当前初始聚类中心或新的初始聚类中心输入到转换函数中进行处理。经过转换函数处理后,得到预设特征向量,它代表了被聚类的数据样本的特征,并可用于后续的分析、分类或其他任务。进而为后续提供更准确的预设特征向量。
如图2本发明提供了一种ERP系统中多维数据的检索装置2,请参见图2,图2示出了本发明提供的一种ERP系统中多维数据的检索装置的示意图,如图2所示一种ERP系统中多维数据的检索装置包括:
获取单元21,用于获取由用户输入的当前查询语句和所述温存储区域中的多个历史查询语句;
匹配单元22,用于在多个所述历史查询语句中匹配与所述当前查询语句一致的历史查询语句;
第一判断单元23,用于若所述当前查询语句与所述历史查询语句一致,则将所述历史查询语句对应的查询结果,作为所述当前查询语句对应的目标数据和所述目标数据对应的分析数据;
第二判断单元24,用于若所述当前查询语句与所述历史查询语句不一致,则在所述冷存储区域中匹配所述当前查询语句对应的目标数据;其中,所述温存储区域存储部分数据,所述冷存储区域存储全部数据;
计算单元25,用于根据所述目标数据,计算所述分析数据;
确认单元26,用于将所述目标数据和所述目标数据对应的分析数据,作为检索结果。
本发明提供的一种ERP系统中多维数据的检索装置,获取由用户输入的当前查询语句和所述温存储区域中的多个历史查询语句;在多个所述历史查询语句中匹配与所述当前查询语句一致的历史查询语句;若所述当前查询语句与所述历史查询语句一致,则将所述历史查询语句对应的查询结果,作为所述当前查询语句对应的目标数据和所述目标数据对应的分析数据;若所述当前查询语句与所述历史查询语句不一致,则在所述冷存储区域中匹配所述当前查询语句对应的目标数据;其中,所述温存储区域存储部分数据,所述冷存储区域存储全部数据;根据所述目标数据,计算所述分析数据;将所述目标数据和所述目标数据对应的分析数据,作为检索结果。在上述方案中,为了提升检索效率,故将历史检索的历史查询语句以及历史查询语句对应的查询结果存储在温存储区域。通过从温存储区域中获取历史查询语句,并与当前查询语句进行匹配,即使只在较小的数据集中进行匹配,可以减少整个查询过程所需的时间。在当前查询语句与历史查询语句一致时,将利用历史查询语句对应的查询结果作为目标数据,以及与之相对应的分析数据。这样可以避免重新计算结果,从而提高检索效率。该技术方案通过利用历史查询语句和存储区域的数据分布特点,实现了快速匹配、精确结果和高效计算,从而提升了检索效率和用户体验。
图3是本发明一实施例提供的一种终端设备的示意图。如图3所示,该实施例的一种终端设备3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32,例如一种ERP系统中多维数据的检索方法的程序。所述处理器30执行所述计算机程序32时实现上述各个一种ERP系统中多维数据的检索方法实施例中的步骤,例如图1所示的步骤101至步骤106。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各单元的功能,例如图2所示单元21至26的功能。
示例性的,所述计算机程序32可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器31中,并由所述处理器30执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序32在所述一种终端设备3中的执行过程。例如,所述计算机程序32可以被分割成各单元的具体功能如下:
获取单元,用于获取由用户输入的当前查询语句和所述温存储区域中的多个历史查询语句;
匹配单元,用于在多个所述历史查询语句中匹配与所述当前查询语句一致的历史查询语句;
第一判断单元,用于若所述当前查询语句与所述历史查询语句一致,则将所述历史查询语句对应的查询结果,作为所述当前查询语句对应的目标数据和所述目标数据对应的分析数据;
第二判断单元,用于若所述当前查询语句与所述历史查询语句不一致,则在所述冷存储区域中匹配所述当前查询语句对应的目标数据;其中,所述温存储区域存储部分数据,所述冷存储区域存储全部数据;
计算单元,用于根据所述目标数据,计算所述分析数据;
确认单元,用于将所述目标数据和所述目标数据对应的分析数据,作为检索结果。
所述终端设备中包括但不限于处理器30和存储器31。本领域技术人员可以理解,图3仅仅是一种终端设备3的示例,并不构成对一种终端设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述一种终端设备3的内部存储单元,例如一种终端设备3的硬盘或内存。所述存储器31也可以是所述一种终端设备3的外部终端设备,例如所述一种终端设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述一种终端设备3的内部存储单元也包括外部终端设备。所述存储器31用于存储所述计算机程序以及所述一种漫游控制设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,既将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例还提供了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程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元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,本发明实现上述实施例方法中的全部或部分流程,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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。
应当理解,当在本发明说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于监测到”。类似地,短语“如果确定”或“如果监测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦监测到[所描述条件或事件]”或“响应于监测到[所描述条件或事件]”。
另外,在本发明说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明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”、“在另外一些实施例中”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。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种ERP系统中多维数据的检索方法,其特征在于,所述ERP系统中多维数据的检索方法应用于终端设备中,所述终端设备包括温存储区域和冷存储区域,所述ERP系统中多维数据的检索方法包括:
获取由用户输入的当前查询语句和所述温存储区域中的多个历史查询语句;
在多个所述历史查询语句中匹配与所述当前查询语句一致的历史查询语句;
若所述当前查询语句与所述历史查询语句一致,则将所述历史查询语句对应的查询结果,作为所述当前查询语句对应的目标数据和所述目标数据对应的分析数据;
若所述当前查询语句与所述历史查询语句不一致,则在所述冷存储区域中匹配所述当前查询语句对应的目标数据;其中,所述温存储区域存储部分数据,所述冷存储区域存储全部数据;
根据所述目标数据,计算所述分析数据;
将所述目标数据和所述目标数据对应的分析数据,作为检索结果。
2.如权利要求1所述的ERP系统中多维数据的检索方法,其特征在于,所述在多个所述历史查询语句中匹配与所述当前查询语句一致的历史查询语句的步骤包括:
构建所述当前查询语句对应的当前特征向量;
将所述当前特征向量输入转换函数,得到目标特征向量;
计算所述目标特征向量与多个预设特征向量之间的距离;
获取最小距离对应的预设特征向量对应的聚类簇;
在所述聚类簇中遍历与所述当前特征向量一致的历史特征向量;
将所述历史特征向量对应的查询语句,作为与所述当前查询语句一致的历史查询语句。
3.如权利要求2所述的ERP系统中多维数据的检索方法,其特征在于,所述将所述当前特征向量输入转换函数,得到目标特征向量的步骤包括:
将所述当前特征向量输入如下转换函数,得到所述目标特征向量;
所述转换函数如下:
其中,x表示所述当前特征向量,y表示所述目标特征向量,A表示预设的可逆矩阵,t为预设系数。
4.如权利要求2所述的ERP系统中多维数据的检索方法,其特征在于,在所述构建所述当前查询语句对应的当前特征向量的步骤之前,还包括:
获取多个初始聚类中心;
获取第一历史特性向量;
计算所述第一历史特性向量与多个初始聚类中心之间的第一相似度;
若所述第一相似度大于第一阈值,则根据所述第一相似度对应的第一历史特性向量调整所述第一相似度对应初始聚类中心,得到当前初始聚类中心;
若所述第一相似度不大于第一阈值,则将所述第一历史特性向量作为新的初始聚类中心;
将所述当前初始聚类中心或所述新的初始聚类中心代入转换函数,得到所述预设特征向量。
5.如权利要求4所述的ERP系统中多维数据的检索方法,其特征在于,所述获取多个初始聚类中心的步骤,包括:
获取多个第二历史特征向量,在多个所述第二历史特征向量中,随机选择预设数量的第二历史特征向量,作为第一聚类中心;
计算多个所述第一聚类中心之间的第二相似度;
若所述第二相似度大于第一阈值,则将所述第二相似度对应的所述第一聚类中心合并,得到第一数量的第二聚类中心;
计算剩余历史特征向量与多个所述第二聚类中心之间的第三相似度;所述剩余历史特征向量是指在所有历史特征向量中除了所述预设数量的第二历史特征向量之外的第二历史特征向量;
若所述第三相似度大于第二阈值,则将所述第三相似度对应的剩余历史特征向量,作为所述第三相似度对应的第二聚类中心的聚类簇;
计算所述聚类簇中所有特征向量的均值,得到所述初始聚类中心。
6.如权利要求2所述的ERP系统中多维数据的检索方法,其特征在于,所述构建所述当前查询语句对应的当前特征向量的步骤包括:
将所述当前查询语句进行编码处理,得到编码序列;
根据所述编码序列,形成每个词语对应的编码矩阵;
将所述编码矩阵输入预设识别模型中,得到由所述预设识别模型输出的置信度;
根据每个词语的置信度,筛选所述当前查询语句中的重点词语;
将所述重点词语对应的编码,构建为所述当前特征向量。
7.如权利要求6所述的ERP系统中多维数据的检索方法,其特征在于,所述根据所述编码序列,形成每个词语对应的编码矩阵的步骤包括:
获取每个当前词语前面和后面预设数量的相邻词语;
根据所述当前词语和多个所述相邻词语对应的编码,构建编码矩阵;其中,所述当前词语对应的编码位于所述编码矩阵的中心。
8.一种ERP系统中多维数据的检索装置,其特征在于,所述ERP系统中多维数据的检索装置包括:
获取单元,用于获取由用户输入的当前查询语句和温存储区域中的多个历史查询语句;
匹配单元,用于在多个所述历史查询语句中匹配与所述当前查询语句一致的历史查询语句;
第一判断单元,用于若所述当前查询语句与所述历史查询语句一致,则将所述历史查询语句对应的查询结果,作为所述当前查询语句对应的目标数据和所述目标数据对应的分析数据;
第二判断单元,用于若所述当前查询语句与所述历史查询语句不一致,则在冷存储区域中匹配所述当前查询语句对应的目标数据;其中,所述温存储区域存储部分数据,所述冷存储区域存储全部数据;
计算单元,用于根据所述目标数据,计算所述分析数据;
确认单元,用于将所述目标数据和所述目标数据对应的分析数据,作为检索结果。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311689891.1A CN117555993A (zh) | 2023-12-07 | 2023-12-07 | Erp系统中多维数据的检索方法、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311689891.1A CN117555993A (zh) | 2023-12-07 | 2023-12-07 | Erp系统中多维数据的检索方法、装置和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117555993A true CN117555993A (zh) | 2024-02-13 |
Family
ID=89820531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311689891.1A Withdrawn CN117555993A (zh) | 2023-12-07 | 2023-12-07 | Erp系统中多维数据的检索方法、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117555993A (zh) |
-
2023
- 2023-12-07 CN CN202311689891.1A patent/CN117555993A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11803591B2 (en) | Method and apparatus for multi-dimensional content search and video identification | |
US10459971B2 (en) | Method and apparatus of generating image characteristic representation of query, and image search method and apparatus | |
US9418144B2 (en) | Similar document detection and electronic discovery | |
US7797265B2 (en) | Document clustering that applies a locality sensitive hashing function to a feature vector to obtain a limited set of candidate clusters | |
US8051021B2 (en) | System and method for resource adaptive classification of data streams | |
CN110825894A (zh) | 数据索引建立、数据检索方法、装置、设备和存储介质 | |
Amato et al. | YFCC100M-HNfc6: a large-scale deep features benchmark for similarity search | |
CN111125658A (zh) | 识别欺诈用户的方法、装置、服务器和存储介质 | |
CN110837555A (zh) | 海量文本去重筛选的方法、设备和存储介质 | |
WO2021108053A1 (en) | Automatic recommendation of analysis for dataset | |
US20030033138A1 (en) | Method for partitioning a data set into frequency vectors for clustering | |
WO2017095413A1 (en) | Incremental automatic update of ranked neighbor lists based on k-th nearest neighbors | |
CN111512304B (zh) | 在二维方面立方体上进行方面聚类的方法和系统 | |
Fisichella | Siamese coding network and pair similarity prediction for near-duplicate image detection | |
KR101829001B1 (ko) | 문헌 분석 방법 및 그 장치 | |
CN110083731B (zh) | 图像检索方法、装置、计算机设备及存储介质 | |
CN117555993A (zh) | Erp系统中多维数据的检索方法、装置和介质 | |
CN113792171B (zh) | 基于内存管理的图像检索方法、系统、设备及存储介质 | |
CN113326688A (zh) | 一种基于思想政治词语查重处理方法和装置 | |
Ramaswamy et al. | Towards Optimal Indexing for Relevance Feedback in Large Image Databases $^+ $ | |
CN111737469A (zh) | 数据挖掘方法、装置、终端设备和可读存储介质 | |
WO2017095421A1 (en) | Automatic selection of neighbor lists to be incrementally updated | |
CN117391071B (zh) | 一种新闻话题数据挖掘方法、装置及存储介质 | |
CN117235137B (zh) | 一种基于向量数据库的职业信息查询方法及装置 | |
CN115408491B (zh) | 一种历史数据的文本检索方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240213 |
|
WW01 | Invention patent application withdrawn after publication |