WO2020232896A1 - 数据字典生成的方法、装置、电子设备和存储介质 - Google Patents

数据字典生成的方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
WO2020232896A1
WO2020232896A1 PCT/CN2019/103434 CN2019103434W WO2020232896A1 WO 2020232896 A1 WO2020232896 A1 WO 2020232896A1 CN 2019103434 W CN2019103434 W CN 2019103434W WO 2020232896 A1 WO2020232896 A1 WO 2020232896A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
data dictionary
keywords
dictionary description
description
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.)
Ceased
Application number
PCT/CN2019/103434
Other languages
English (en)
French (fr)
Inventor
曹绪文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Publication of WO2020232896A1 publication Critical patent/WO2020232896A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to the field of data processing, in particular to a method, device, electronic equipment and storage medium for generating a data dictionary.
  • Data dictionary refers to the definition and description of data items, data structure, data flow, data storage, processing logic, etc., and a collection of definitions for all data elements used in the system.
  • the inventor of this application realizes that in the process of developing a software system, program staff usually generate more than one data dictionary based on the annotation information of the data dictionary to be generated to ensure the consistency of the data in the software system to be developed. Thus, a lot of time is spent on making a data dictionary.
  • the embodiments of the present application provide a method, device, electronic device, and storage medium for generating a data dictionary to at least solve the problem of low efficiency in generating a data dictionary.
  • a method for generating a data dictionary includes: obtaining a data dictionary description input by a user; inputting the data dictionary description into a preset intention recognition model, and obtaining the
  • the data dictionary output by the model describes the corresponding intent information, the intent information indicates the purpose of the data dictionary that needs to be generated; the keywords corresponding to the data dictionary description are obtained; the keywords are generated based on the keywords and the intent information
  • the data dictionary describes the corresponding data flow and data structure; determines data items based on the data structure; generates a data dictionary based on the data items, the data structure, and the data flow.
  • a data dictionary generation device including: a first acquisition module for acquiring a data dictionary description input by a user; a second acquisition module for inputting the data dictionary description A preset intent recognition model to obtain intent information corresponding to the data dictionary description output by the intent recognition model, where the intent information indicates the purpose of the data dictionary that needs to be generated; the third obtaining module, to obtain the data dictionary description Corresponding keywords; first generating module: generating the data stream and data structure corresponding to the data dictionary description according to the keywords and the intention information; determining module for determining data items based on the data structure; second The generating module is used to generate a data dictionary based on the data item, the data structure and the data stream.
  • an electronic device generated by a data dictionary including: a memory configured to store executable instructions; a processor configured to execute the executable instructions stored in the memory to execute the foregoing Methods.
  • a computer non-volatile readable storage medium which stores computer program instructions, and when the computer instructions are executed by the computer, the computer executes the method described above.
  • the intention information and keywords described in the data dictionary are acquired by acquiring the data dictionary description input by the user terminal, and the data dictionary is acquired based on the keywords and the intention information Describe the corresponding data flow and data structure, determine the data item based on the data item name contained in the data structure, and then generate a data dictionary based on the data flow, data structure, and data item, so that developers only need to generate a data dictionary
  • a data dictionary description needs to be provided, and the technical solution of the embodiment of the present invention can automatically generate a data dictionary based on the data dictionary description provided by the developer, which solves the problem that developers need to spend a lot of time to manually create a data dictionary and improves the data The efficiency of dictionary generation.
  • Fig. 1 shows a flowchart of data dictionary generation according to an exemplary embodiment of the present invention.
  • Fig. 2 shows a flow chart before inputting the data dictionary description into a preset intention recognition model according to an exemplary embodiment of the present invention.
  • Fig. 3 shows a detailed flow chart of obtaining keywords corresponding to the data dictionary description according to an exemplary embodiment of the present invention.
  • Fig. 4 shows a detailed flow chart of obtaining keywords corresponding to the data dictionary description according to an exemplary embodiment of the present invention.
  • Fig. 5 shows a detailed flow chart of generating the data flow and data structure corresponding to the data dictionary description based on the keywords and the intention information according to an exemplary embodiment of the present invention.
  • Fig. 6 shows a detailed flowchart of determining data items based on the data structure according to an exemplary embodiment of the present invention.
  • Fig. 7 shows a flowchart after a data dictionary is generated based on the data item, the data structure, and the data flow according to an exemplary embodiment of the present invention.
  • Fig. 8 shows an apparatus for generating a data dictionary according to an exemplary embodiment of the present invention.
  • Fig. 9 shows a system architecture diagram of data dictionary generation according to an exemplary embodiment of the present invention.
  • Fig. 10 shows a block diagram of an electronic device generated by a data dictionary according to an exemplary embodiment of the present invention.
  • FIG. 11 shows a schematic diagram of a computer non-volatile readable storage medium generated by a data dictionary according to an exemplary embodiment of the present invention.
  • Fig. 1 shows a flowchart of data dictionary generation according to an exemplary embodiment of the present invention, which may include the following steps:
  • Step S100 Obtain the data dictionary description input by the user
  • Step S110 Input the data dictionary description into a preset intent recognition model, and obtain intent information corresponding to the data dictionary description output by the intent recognition model, where the intent information indicates the purpose of the data dictionary that needs to be generated;
  • Step S120 Obtain keywords corresponding to the data dictionary description
  • Step S130 Generate a data stream and data structure corresponding to the data dictionary description based on the keyword and the intention information;
  • Step S140 Determine a data item based on the data structure
  • Step S150 Generate a data dictionary based on the data item, the data structure and the data stream.
  • step S100 Obtain the data dictionary description input by the user.
  • the data dictionary description refers to a piece of text explaining the purpose of the data dictionary.
  • the data dictionary description can be obtained through the user terminal, or the voice information corresponding to the data dictionary description input by the user can be obtained, and then the data dictionary description can be obtained based on the voice recognition model, and then based on the data dictionary description, so that The server may perform data analysis on the data dictionary description, thereby generating a data dictionary corresponding to the data dictionary description.
  • the server obtains the data dictionary description input by the user through the user terminal.
  • step S110 input the data dictionary description into a preset intent recognition model, and obtain intent information corresponding to the data dictionary description output by the intent recognition model, where the intent information indicates the purpose of the data dictionary that needs to be generated .
  • the server can quickly obtain the purpose of the data dictionary to be produced corresponding to the data dictionary description input by the user, which is convenient for analyzing the data dictionary description.
  • the data dictionary description input by the user is "used to record the student's course selection, especially the student ID, age, and gender of the course selection student", and input the data dictionary description into the intention recognition model to obtain the data dictionary description
  • the corresponding intent information is "record student selection information”.
  • the method before step S110, the method further includes:
  • Step S107 Obtain a preset data dictionary description sample set
  • Step S108 Identify the intent information corresponding to the data dictionary description sample in the data dictionary description sample set
  • Step S109 Input the data dictionary description sample into the intent recognition model, the intent recognition model outputs intent information, and the intent information output by the intent recognition model and the identified data dictionary description sample corresponding to the intent The information is compared, and if they are inconsistent, the parameters of the intent recognition model are adjusted until the intent information output by the intent recognition model is consistent with the identified intent information corresponding to the data dictionary description sample.
  • the technical solution of the foregoing embodiment of the present invention obtains the intent information corresponding to the data dictionary description by means of an intent recognition model, which not only has a faster processing speed but also has a unified judgment standard, avoiding the output data dictionary caused by the inconsistent judgment standard of the intention information. Describe the situation where the corresponding intention information is inconsistent and the generated data dictionary is wrong.
  • step S120 acquiring keywords corresponding to the data dictionary description.
  • Keywords are words that indicate important or main information in text information.
  • the keywords are analyzed, and the data structure and data flow corresponding to the data dictionary description are obtained.
  • step S120 includes:
  • Step S1201 Describe clauses in the data dictionary
  • Step S1202 Compare the sentences divided into the data dictionary description with the data dictionary description sentence templates in the preset data dictionary description sentence template library to determine the data dictionary description matching the sentences divided into the data dictionary description Sentence template
  • Step S1203 Determine the keywords in the divided sentences according to the positions of the data dictionary description keywords specified in the data dictionary description sentence template.
  • the technical solution of the embodiment shown in FIG. 3 describes clauses in the data dictionary, determines the corresponding pre-stored data dictionary description sentence template based on the data dictionary description clause, and then based on the data dictionary description sentence template
  • the marked keyword positions determine the keywords of the data dictionary description clause, and the keywords corresponding to the data dictionary description can be extracted accurately and quickly.
  • the data dictionary description can be divided into sentences based on punctuation marks between paragraphs, such as taking the text information between periods or commas as a sentence.
  • the data dictionary description clause is "used to record students' course selection” , "In particular, record the student ID, age and gender of the students who choose the course.”
  • the data dictionary description sentence template corresponding to the data dictionary description clause is determined to be "used to record the situation of __”, “especially record the __ and __ of __ __”, where the underlined part is the position of the marked keyword.
  • the step S120 includes:
  • Step S1201' Obtain a preset data dictionary description sample set
  • Step S1202' Determine the keywords of the data dictionary description samples in the data dictionary description sample set
  • Step S1203' Input the data dictionary description sample into a first machine learning model, and then output keywords from the first machine learning model, and describe the keywords output by the first machine learning model with the determined data dictionary
  • the keywords of the samples are compared, and if they are inconsistent, the parameters of the first machine learning model are adjusted until the keywords output by the first machine learning model are consistent with the determined keywords of the data dictionary describing the sample;
  • Step S1204' input the data dictionary description into the first machine learning model, and obtain keywords corresponding to the data dictionary description output by the first machine learning model.
  • the technical solution of the embodiment shown in FIG. 4 can quickly obtain the keyword information corresponding to the data dictionary description by presetting the machine learning model, and obtain the data dictionary description corresponding to the data dictionary description clause template.
  • the data dictionary description clause template needs to be preset manually in the way of describing the clause template through the data dictionary, and different people have different standards for the setting of the data dictionary description clause template.
  • a machine learning model is used to obtain keywords corresponding to the data dictionary description, and the standard is more uniform.
  • step S130 based on the keywords and the intention information, the data flow and data structure corresponding to the data dictionary description are generated.
  • step S130 includes:
  • Step S1301 Obtain a sample set of keywords and intention information corresponding to the preset data dictionary description
  • Step S1302 Determine the data stream and data structure corresponding to the keyword and the intention information sample corresponding to the data dictionary description;
  • Step S1303 Input keywords and intention information samples corresponding to the data dictionary description into the second machine learning model, and output the data stream and data structure from the second machine learning model, and output the second machine learning model Compare the data stream and data structure of the data stream and data structure with the determined data stream and data structure. If they are inconsistent, adjust the parameters of the second machine learning model until the data stream and data structure output by the second machine learning model are determined The data flow is consistent with the data structure;
  • Step S1304 Input the data stream and data structure into the second machine learning model, and obtain the data stream and data structure output by the second machine learning model.
  • the technical solution of the embodiment shown in FIG. 5 can quickly obtain the data stream and data structure by means of the second machine learning model, as compared with the method of manually and calling a preset template in the prior art.
  • the data dictionary describes the corresponding data flow and data structure.
  • the keywords corresponding to the data dictionary description input by the user are "student course selection”, “student ID”, “gender”, and "age”, and the data dictionary description input by the user corresponds to the intent information "record student selection information”.
  • the data dictionary entered by the user describes the corresponding keywords and intent information and enters the second machine learning model.
  • the data structure obtained is the corresponding course selected by the student. The student includes: "Name”, “Student ID”, “Age”, and "Gender".
  • Courses include "course number” and "course selection number”.
  • the data stream is used to record student selection information, the source of the data stream is the process of student selection, and the destination of the data stream is stored for the student selection.
  • the data stream is composed of: "student number” and "course number”.
  • the first machine learning model and the second machine learning model are both pre-trained machine learning models, wherein the first machine learning model is used for keyword extraction, and the second machine learning model The model is used to generate data streams and data structures based on the keywords and the intent information.
  • step S140 a data item is determined based on the data structure.
  • step S140 includes:
  • Step S1401 Determine a data item name based on the data structure
  • Step S1402 Match the corresponding data item in the preset database based on the data item name.
  • the technical solution of the embodiment shown in FIG. 6 determines the data item corresponding to the data dictionary description through the corresponding relationship between the data item name contained in the data structure and the data item, so that the server can generate the data item according to the data item, data stream, and data structure.
  • Data Dictionary The technical solution of the embodiment shown in FIG. 6 determines the data item corresponding to the data dictionary description through the corresponding relationship between the data item name contained in the data structure and the data item, so that the server can generate the data item according to the data item, data stream, and data structure.
  • the data structure may be: the corresponding course selected by the student, where the student includes: “Name”, “Student ID”, “Age”, and “Sex”, and the course includes “Course ID” and "Course Selection ID”. Extract the data Data item names in the structure: name, age, gender, course number, course number, and the data items that can be determined are: name, age, gender, course number, and course number.
  • Step S150 Generate a data dictionary based on the data item, the data structure and the data stream.
  • the data structure is the corresponding course selected by the student, where the student includes: “name”, “student number”, “age”, and “sex”, Courses include “Course Number” and "Course Selection Number”,
  • the data stream is to record the student selection information
  • the data stream source is the student selection process
  • the data flow destination is stored for the student selection course
  • the data stream composition is: "student number” "course selection number”
  • the generated data dictionary can be as shown in Table 1:
  • the method for generating a data dictionary may further include the following steps:
  • Step S160 Store the data dictionary in the shared pool and assign a corresponding level
  • Step S170 Obtain user login information
  • Step S180 Determine whether the user can call the corresponding data dictionary based on the user's authority information contained in the user login information and the level of the data dictionary that the user wants to call.
  • the technical solution of the embodiment shown in FIG. 7 stores the data dictionary in the shared pool so that all users who meet the preset conditions can obtain the data dictionary and realize resource sharing.
  • the user login information contains Whether the authority information of the user meets the method of invoking the data dictionary level that the user wants to access, to prevent the risk of high-level data dictionary being acquired and leaked by users who are not satisfied with invoking the data dictionary.
  • the user's authority is a data dictionary with an adjustable level of 5 or less
  • the data dictionary to be retrieved by the user is level 7, because the user's adjustable level is 5 It is less than the level 7 of the data dictionary to be retrieved, so the user cannot retrieve the level 7 data dictionary from the shared pool.
  • the invention also provides a device for generating a data dictionary.
  • the device 800 for generating a data dictionary includes: a first acquiring module 810, a second acquiring module 820, a third acquiring module 830, a first generating module 840, a determining module 850, and a second generating module 860. among them:
  • the first obtaining module 810 used to obtain the data dictionary description input by the user;
  • the second acquisition module 820 used to input the data dictionary description into a preset intent recognition model, and obtain the intent information corresponding to the data dictionary description output by the intent recognition model, where the intent information represents the data that needs to be generated The purpose of the dictionary;
  • the third obtaining module 830 used to obtain keywords corresponding to the data dictionary description
  • the first generation module 840 used to generate the data stream and data structure corresponding to the data dictionary description according to the keywords and the intention information;
  • the determining module 850 is configured to determine a data item based on the data structure
  • the second generation module 860 is configured to generate a data dictionary based on the data item, the data structure, and the data stream.
  • the third obtaining module 830 may also be configured to: divide the data dictionary description into sentences, and divide the data dictionary description into sentences and the data dictionary description sentences in the preset data dictionary description sentence template library. The templates are compared to determine the data dictionary description sentence template that matches the sentences divided into the data dictionary description, and the divided sentences are determined according to the positions of the data dictionary description keywords specified in the data dictionary description sentence template Keywords in.
  • the third obtaining module 830 may also be configured to: obtain a preset data dictionary description sample set; determine the data dictionary description sample keywords in the data dictionary description sample set; describe the data dictionary
  • the sample is input to the first machine learning model, and keywords are output by the first machine learning model.
  • the keywords output by the first machine learning model are compared with the keywords of the determined data dictionary describing the sample, if they are inconsistent , Adjust the parameters of the first machine learning model until the keywords output by the first machine learning model are consistent with the keywords of the determined data dictionary description sample; input the data dictionary description into the first
  • the machine learning model obtains keywords corresponding to the data dictionary description output by the first machine learning model.
  • the first generating module 840 may also be configured to: obtain a set of keywords and intention information samples corresponding to a preset data dictionary description, and determine the keywords corresponding to the data dictionary description and data corresponding to the intention information samples. Stream and data structure, input keywords and intention information samples corresponding to the data dictionary description into the second machine learning model, and output the data stream and data structure by the second machine learning model, and learn the second machine Compare the data stream and data structure output by the model with the determined data stream and data structure.
  • the determining module 850 may also be configured to determine a data item name based on the data structure, and match a corresponding data item in a preset database based on the data item name.
  • the data dictionary generating device 800 further includes: an intention model training module, configured to obtain a preset data dictionary description sample set, and identify the intention corresponding to the data dictionary description sample in the data dictionary description sample set Information, the data dictionary description sample is input to the intent recognition model, the intent recognition model outputs intent information, and the intent information output by the intent recognition model and the recognized intent information corresponding to the data dictionary description sample The comparison is performed, and if they are inconsistent, the parameters of the intent recognition model are adjusted until the intent information output by the intent recognition model is consistent with the intent information corresponding to the identified data dictionary description sample.
  • an intention model training module configured to obtain a preset data dictionary description sample set, and identify the intention corresponding to the data dictionary description sample in the data dictionary description sample set Information, the data dictionary description sample is input to the intent recognition model, the intent recognition model outputs intent information, and the intent information output by the intent recognition model and the recognized intent information corresponding to the data dictionary description sample The comparison is performed, and if they are inconsistent, the parameters of the intent recognition model are adjusted until the intent information output
  • the data dictionary generating device 800 further includes: a sharing module for storing the data dictionary in a shared pool and assigning a corresponding level to obtain user login information, based on the user login information containing The authority information of the user and the level of the data dictionary that the user wants to call determine whether the user can call the corresponding data dictionary.
  • modules or units of the device for action execution are mentioned in the above detailed description, this division is not mandatory.
  • the features and functions of two or more modules or units described above may be embodied in one module or unit.
  • the features and functions of a module or unit described above can be further divided into multiple modules or units to be embodied.
  • the exemplary embodiments described herein can be implemented by software, or can be implemented by combining software with necessary hardware. Therefore, the technical solutions according to the embodiments of the present invention can be embodied in the form of software products, which can be stored in a non-volatile storage medium (which can be CD-ROM, U disk, mobile hard disk, etc.) or network
  • a non-volatile storage medium which can be CD-ROM, U disk, mobile hard disk, etc.
  • the above includes several instructions to make a computing device (which may be a personal computer, a server, a mobile terminal, or a network device, etc.) execute the method according to the embodiment of the present invention.
  • Fig. 9 shows a block diagram of a system architecture for data dictionary generation according to an exemplary embodiment of the present invention.
  • the system architecture includes: a client 910 and a server 920.
  • the server 920 obtains the data dictionary description input by the user through the client 910, the server 920 obtains the intent information and keywords corresponding to the data dictionary description according to the data dictionary description, and the server 920 obtains the intent information and keywords corresponding to the data dictionary description according to the intent information.
  • the server 920 determines the data item according to the data item name in the data structure, and the server 920 generates the data item based on the data item, data item structure and data stream.
  • the data dictionary describes the corresponding data dictionary.
  • an electronic device capable of implementing the above method is also provided.
  • the electronic device 1000 according to this embodiment of the present invention will be described below with reference to FIG. 10.
  • the electronic device 1000 shown in FIG. 10 is only an example, and should not bring any limitation to the function and application scope of the embodiment of the present invention.
  • the electronic device 1000 is represented in the form of a general-purpose computing device.
  • the components of the electronic device 1000 may include but are not limited to: the aforementioned at least one processing unit 1010, the aforementioned at least one storage unit 1020, and a bus 1030 connecting different system components (including the storage unit 1020 and the processing unit 1010).
  • the storage unit stores program code, and the program code can be executed by the processing unit 1010, so that the processing unit 1010 executes the various exemplary methods described in the "Exemplary Methods" section of this specification. Implementation steps.
  • the processing unit 1010 may perform step S100 as shown in FIG.
  • Step S110 Input the data dictionary description into the preset intention recognition model, and obtain the intent recognition model
  • the outputted data dictionary describes the corresponding intent information, the intent information indicates the purpose of the data dictionary that needs to be generated
  • Step S120 Obtain keywords corresponding to the data dictionary description
  • Step S130 Based on the keywords and the The intent information generates the data stream and data structure corresponding to the data dictionary description
  • step S140 determine a data item based on the data structure
  • step S150 generate a data dictionary based on the data item, the data structure, and the data stream.
  • the storage unit 1020 may include a readable medium in the form of a volatile storage unit, such as a random access storage unit (RAM) 10201 and/or a cache storage unit 10202, and may further include a read-only storage unit (ROM) 10203.
  • RAM random access storage unit
  • ROM read-only storage unit
  • the storage unit 1020 may also include a program/utility tool 10204 having a set (at least one) program module 10205.
  • program module 10205 includes but is not limited to: an operating system, one or more application programs, other program modules, and program data, Each of these examples or some combination may include the implementation of a network environment.
  • the bus 1030 may represent one or more of several types of bus structures, including a storage unit bus or a storage unit controller, a peripheral bus, a graphics acceleration port, a processing unit, or a local area using any bus structure among multiple bus structures. bus.
  • the electronic device 1000 may also communicate with one or more external devices 500 (such as keyboards, pointing devices, Bluetooth devices, etc.), and may also communicate with one or more devices that enable a user to interact with the electronic device 1000, and/or communicate with Any device (such as a router, modem, etc.) that enables the electronic device 1000 to communicate with one or more other computing devices. This communication can be performed through an input/output (I/O) interface 1050.
  • the electronic device 1000 may also communicate with one or more networks (for example, a local area network (LAN), a wide area network (WAN), and/or a public network, such as the Internet) through the network adapter 1060.
  • networks for example, a local area network (LAN), a wide area network (WAN), and/or a public network, such as the Internet
  • the network adapter 1060 communicates with other modules of the electronic device 1000 through the bus 1030. It should be understood that although not shown in the figure, other hardware and/or software modules can be used in conjunction with the electronic device 1000, including but not limited to: microcode, device drivers, redundant processing units, external disk drive arrays, RAID systems, tape drives And data backup storage system, etc.
  • the exemplary embodiments described herein can be implemented by software, or can be implemented by combining software with necessary hardware. Therefore, the technical solution according to the embodiments of the present invention can be embodied in the form of a software product, which can be stored in a non-volatile storage medium (which can be a CD-ROM, U disk, mobile hard disk, etc.) or on the network , Including several instructions to make a computing device (which may be a personal computer, server, terminal device, or network device, etc.) execute the method according to the embodiment of the present invention.
  • a non-volatile storage medium which can be a CD-ROM, U disk, mobile hard disk, etc.
  • Including several instructions to make a computing device which may be a personal computer, server, terminal device, or network device, etc.
  • a computer-readable storage medium on which is stored a program product capable of implementing the above-mentioned method in this specification.
  • various aspects of the present invention may also be implemented in the form of a program product, which includes program code, and when the program product runs on a terminal device, the program code is used to make the The terminal device executes the steps according to various exemplary embodiments of the present invention described in the above "Exemplary Method" section of this specification.
  • a program product 1100 for implementing the above method according to an embodiment of the present invention is described. It can adopt a portable compact disk read-only memory (CD-ROM) and include program code, and can be in a terminal device, For example, running on a personal computer.
  • CD-ROM compact disk read-only memory
  • the program product of the present invention is not limited to this.
  • the non-volatile readable storage medium can be any tangible medium that contains or stores a program.
  • the program can be used by or combined with an instruction execution system, device, or device. use.
  • the program product can use any combination of one or more readable media.
  • the readable medium may be a readable signal medium or a readable storage medium.
  • the readable storage medium may be, for example, but not limited to, an electrical, magnetic, optical, electromagnetic, infrared, or semiconductor system, device, or device, or a combination of any of the above. More specific examples (non-exhaustive list) of readable storage media include: electrical connections with one or more wires, portable disks, hard disks, random access memory (RAM), read only memory (ROM), erasable Type programmable read only memory (EPROM or flash memory), optical fiber, portable compact disk read only memory (CD-ROM), optical storage device, magnetic storage device, or any suitable combination of the above.
  • the computer-readable signal medium may include a data signal propagated in baseband or as a part of a carrier wave, and readable program code is carried therein. This propagated data signal can take many forms, including but not limited to electromagnetic signals, optical signals, or any suitable combination of the foregoing.
  • the readable signal medium may also be any readable medium other than a readable storage medium, and the readable medium may send, propagate, or transmit a program for use by or in combination with the instruction execution system, apparatus, or device.
  • the program code contained on the readable medium can be transmitted by any suitable medium, including but not limited to wireless, wired, optical cable, RF, etc., or any suitable combination of the foregoing.
  • the program code used to perform the operations of the present invention can be written in any combination of one or more programming languages.
  • the programming languages include object-oriented programming languages—such as Java, C++, etc., as well as conventional procedural styles. Programming language-such as "C" language or similar programming language.
  • the program code can be executed entirely on the user's computing device, partly on the user's device, executed as an independent software package, partly on the user's computing device and partly executed on the remote computing device, or entirely on the remote computing device or server Executed on.
  • the remote computing device can be connected to a user computing device through any kind of network, including a local area network (LAN) or a wide area network (WAN), or can be connected to an external computing device (for example, using Internet service providers) Business to connect via the Internet).
  • LAN local area network
  • WAN wide area network
  • Internet service providers Internet service providers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

公开了一种数据字典生成的方法、装置、电子设备和存储介质，涉及数据处理领域，该方法包括：获取用户输入的数据字典描述；将所述数据字典描述输入预设的意图识别模型，获取由所述意图识别模型输出的所述数据字典描述对应的意图信息，所述意图信息表示需要生成的数据字典的用途；获取所述数据字典描述对应的关键词；基于所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构；基于所述数据结构确定数据项；基于所述数据项、所述数据结构和所述数据流生成数据字典。实施例的技术方案提高了数据字典生成的效率。

Description

数据字典生成的方法、装置、电子设备和存储介质
本申请要求2019年5月23日递交、发明名称为“数据字典生成的方法、装置、电子设备和存储介质”的中国专利申请201910433025.3的优先权，在此通过引用将其全部内容合并于此。
技术领域
本发明涉及数据处理领域，特别是涉及数据字典生成的方法、装置、电子设备和存储介质。
背景技术
数据字典是指对数据的数据项、数据结构、数据流、数据存储、处理逻辑等进行定义和描述，对系统中使用的所有数据元素的定义的集合。
本申请的发明人意识到，在开发软件系统的过程中，程序工作人员通常要根据依据要生成的数据字典的注释信息来生成不止一个数据字典来确保要开发的软件系统中数据的一致性，从而在制作数据字典上花费大量的时间。
因此，如何能快速生成满足需要的数据字典，节省程序工作人员的时间，缩短软件系统的开发时间是亟待解决的问题。
发明内容
基于此，本申请实施例提供了一种数据字典生成的方法、装置、电子设备和存储介质，以至少解决生成数据字典效率低的问题。
根据本申请实施例的第一方面，提供了一种数据字典生成的方法，包括：获取用户输入的数据字典描述；将所述数据字典描述输入预设的意图识别模型，获取由所述意图识别模型输出的所述数据字典描述对应的意图信息，所述意图信息表示需要生成的数据字典的用途；获取所述数据字典描述对应的关键词；基于所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构；基于所述数据结构确定数据项；基于所述数据项、所述数据结构和所述数据流生成数据字典。
根据本申请的第二方面方面，提供了一种数据字典生成的装置，包括：第一获取模块，用于获取用户输入的数据字典描述；第二获取模块，用于将所述数据字典描述输入预设的意图识别模型，获取由所述意图识别模型输出的所述数据字典描述对应的意图信息，所述意图信息表示需要生成的数据字典的用途；第三获取模块，获取所述数据字典描述对应的关键词；第一生成模块：根据所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构；确定模块，用于基于所述数据结构确定数据项；第二生成模块，用于基于所述数据项、所述数据结构和所述数据流生成数据字典。
根据本申请的第三方面方面，提供了一种数据字典生成的电子设备，包括：存储器，配置为存储可执行指令；处理器，配置为执行存储器中存储的可执行指令，以执行以上所述的方法。
根据本申请的第四方面，提供了一种计算机非易失性可读存储介质，其存储有计算机程序指令，当所述计算机指令被计算机执行时，使计算机执行以上所述的方法。
在本申请实施例所提供的技术方案中，通过获取用户端输入的数据字典描述，获取所述数据字典描述的意图信息和关键词，基于所述关键词和所述意图信息获取所述数据字典描述对应的数据流和数据结构，基于所述数据结构包含的数据项名确定数据项，再依据所述数据流、数据结构和数据项生成数据字典，使得开发人员在需要生成数据字典时，只需提供数据字典描述即可，进而本发明实施例的技术方案可以根据开发人员提供的数据字典描述自动生成数据字典，解决了开发人员手动制作数据字典而需要花费较多时间的问题，提高了数据字典生成的效率。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
图1示出根据本发明示例实施方式的数据字典生成的流程图。
图2示出根据本发明一示例实施方式的在将所述数据字典描述输入预设的意图识别模型之前的流程图。
图3示出根据本发明一示例实施方式的获取所述数据字典描述对应的关键词的详细流程图。
图4示出根据本发明一示例实施方式的获取所述数据字典描述对应的关键词的详细流程图。
图5示出根据本发明一示例实施方式的基于所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构的详细流程图。
图6示出根据本发明一示例实施方式的基于所述数据结构确定数据项的详细流程图。
图7示出根据本发明一示例实施方式的基于所述数据项、所述数据结构和所述数据流生成数据字典之后的流程图。
图8示出根据本发明一示例实施方式的数据字典生成的装置。
图9示出根据本发明一示例实施方式的数据字典生成的系统架构图。
图10示出根据本发明一示例实施方式的数据字典生成的电子设备的框图。
图11示出根据本发明一示例实施方式的数据字典生成的计算机非易失性可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方 法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出根据本发明一示例实施方式的数据字典生成的流程图，可以包括如下步骤：
步骤S100：获取用户输入的数据字典描述；
步骤S110：将所述数据字典描述输入预设的意图识别模型，获取由所述意图识别模型输出的所述数据字典描述对应的意图信息，所述意图信息表示需要生成的数据字典的用途；
步骤S120：获取所述数据字典描述对应的关键词；
步骤S130：基于所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构；
步骤S140：基于所述数据结构确定数据项；
步骤S150：基于所述数据项、所述数据结构和所述数据流生成数据字典。
下面，将结合附图对本示例实施方式中上述数据字典生成的各步骤进行详细的解释以及说明。
在步骤S100中：获取用户输入的数据字典描述。
在本发明的一个实施例中，数据字典描述是指对数据字典的用途的一段说明文本。可通过用户端获取所述数据字典描述，也可通过获取用户输入的所述数据字典描述对应的语音信息后，基于语音识别模型来获取所述数据字典描述，进而基于所述数据字典描述，使得服务器可以对所述数据字典描述进行数据分析，从而生成所述数据字典描述对应的数据字典。
在一实施例中，服务器通过用户端获取用户输入的数据字典描述。
在步骤S110中：将所述数据字典描述输入预设的意图识别模型，获取由所述意图识别模型输出的所述数据字典描述对应的意图信息，所述意图信息表示需要生成的数据字典的用途。
通过意图识别模型，使得服务器可以快速获取所述用户输入的数据字典描述对应的需要生产的数据字典的用途，便于对数据字典描述进行分析。
在一实施例中，用户输入的数据字典描述是“用于记录学生选课情况，尤其要记录选课学生的学号、年龄、性别”，将该数据字典描述输入意图识别模型，得到该数据字典描述对应的意图信息为“记录学生选课信息”。
在一实施例中，如图2所示，在步骤S110之前还包括：
步骤S107：获取预先设置的数据字典描述样本集合；
步骤S108：识别所述数据字典描述样本集合中的数据字典描述样本对应的意图信息；
步骤S109：将所述数据字典描述样本输入所述意图识别模型，由所述意图识别模型 输出意图信息，将所述意图识别模型输出的意图信息和识别出的所述数据字典描述样本对应的意图信息进行比对，如不一致，则调整所述意图识别模型的参数，直至所述意图识别模型输出的意图信息与识别出的所述数据字典描述样本对应的意图信息一致。
本发明上述实施例的技术方案通过意图识别模型的方式获取所述数据字典描述对应的意图信息，不仅处理速度更快而且判断标准统一，避免了因对意图信息判断标准不统一造成输出的数据字典描述对应的意图信息不一致而导致生成的数据字典出现错误的情形。
继续参照图1所示，在步骤S120中：获取所述数据字典描述对应的关键词。
关键词是表明文本信息中重要或主要信息的词汇，通过获取所述数据字典描述对应的关键词，进而对所述关键词进行分析，获取所述数据字典描述对应的数据结构和数据流，从而生成所述数据字典描述对应的额数据字典。
在本发明的一个实施例中，步骤S120中获取数据字典描述对应的关键词可以有多种实现方式，以下介绍其中的两种实现方式：
实现方式一：
在一实施例中，如图3所示，步骤S120包括：
步骤S1201：将所述数据字典描述分句；
步骤S1202：将所述数据字典描述分成的句子与预设的数据字典描述句模板库中的数据字典描述句模板进行比对，以确定与所述数据字典描述分成的句子相匹配的数据字典描述句模板；
步骤S1203：按照所述数据字典描述句模板中规定的数据字典描述关键词的位置，确定所述分成的句子中的关键词。
图3所示实施例的技术方案通过对所述数据字典描述分句，基于所述数据字典描述分句确定与之对应的预存的数据字典描述句模板，再基于所述数据字典描述句模板中标明的关键词位置确定所述数据字典描述分句的关键词，可以准确快速的提取数据字典描述对应的关键词。
在一实施例中，可以基于段落间的标点符号对数据字典描述进行分句，如将句号或逗号间的文本信息作为一个句子。
在一实施例中，假设数据字典描述是“用于记录学生选课情况，尤其要记录选课学生的学号、年龄及性别”，那么对该数据字典描述分句得到“用于记录学生选课情况”，“尤其要记录选课学生的学号、年龄及性别”，确定的该数据字典描述分句对应的数据字典描述句模板为“用于记录__情况”“尤其要记录__的__及__”，其中下划线部分为标明的关键词位置，通过该数据字典描述分句对应的数据字典描述句模板中标明的关键词位置，确定该数据字典描述对应的关键词为“学生选课”“选课学生”“学号”“年龄”“性别”。
实现方式二：
在一实施例中，如图4所示，所述步骤S120包括：
步骤S1201′：获取预先设置的数据字典描述样本集合；
步骤S1202′：确定所述数据字典描述样本集合中的数据字典描述样本的关键词；
步骤S1203′：将所述数据字典描述样本输入第一机器学习模型，由所述第一机器学习模型输出关键词，将所述第一机器学习模型输出的关键词与确定的所述数据字典描述样 本的关键词进行比对，如不一致，则调整所述第一机器学习模型的参数，直至所述第一机器学习模型输出的关键词与确定的所述数据字典描述样本的关键词一致；
步骤S1204′：将所述数据字典描述输入所述第一机器学习模型，获取由所述第一机器学习模型输出所述数据字典描述对应的关键词。
图4所示实施例的技术方案通过预设机器学习模型的方式，可快速获取所述数据字典描述对应的关键词信息，相对于数据字典描述分句模板的方式获取所述数据字典描述对应的关键词，因通过数据字典描述分句模版的方式中数据字典描述分句模版需要人为预先设定，而不同人对于所述数据字典描述分句模版的设定其标准并不统一，故通过预设机器学习模型的方式获取所述数据字典描述对应的关键词，其标准更为统一。
继续参照图1所示，在步骤S130中：基于所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构。
在一实施例中，如图5所示，步骤S130包括：
步骤S1301：获取预先设置的数据字典描述对应的关键词和意图信息样本集合；
步骤S1302：确定所述数据字典描述对应的关键词和意图信息样本对应的数据流和数据结构；
步骤S1303：将所述数据字典描述对应的关键词和意图信息样本输入所述第二机器学习模型，由所述第二机器学习模型输出数据流与数据结构，将所述第二机器学习模型输出的数据流与数据结构与确定的数据流与数据结构进行比对，如不一致，则调整所述第二机器学习模型的参数，直至所述第二机器学习模型输出的数据流和数据结构与确定的数据流与数据结构一致；
步骤S1304：将所述数据流和数据结构输入所述第二机器学习模型，获取由所述第二机器学习模型输出所述数据流和数据结构。
图5所示实施例的技术方案，通过第二机器学习模型的方式相对于现有技术中通过人工及调用预设的模板的方式来生成数据流和数据结构而言，可快速的获取所述数据字典描述对应的数据流和数据结构。在一实施例中，用户输入的数据字典描述对应的关键词为“学生选课”“学号”“性别”“年龄，用户输入的数据字典描述对应的意图信息为“记录学生选课信息”，将用户输入的数据字典描述对应的关键词和意图信息输入第二机器学习模型，得到的数据结构为学生所选的对应课程，其中学生包括：“姓名”“学号”“年龄”“性别”，课程包括“课程编号”“选课编号”，数据流为记录学生选课信息，数据流来源为学生选课处理，数据流去向为学生选课储存，数据流组成为：“学号”“课程编号”。
在一实施例中，所述第一机器学习模型与所述第二机器学习模型均为预先训练好的机器学习模型，其中所述第一机器学习模型用于关键词的提取，第二机器学习模型用于基于所述关键词于所述意图信息生成数据流与数据结构。
继续参照图1所示，在步骤S140中：基于所述数据结构确定数据项。
在一实施例中，如图6所示，步骤S140包括：
步骤S1401：基于所述数据结构确定数据项名；
步骤S1402：基于所述数据项名在预设数据库中匹配相应的数据项。
图6所示实施例的技术方案通过数据结构包含的数据项名与数据项的对应关系，确定所述数据字典描述对应的数据项，以便于服务器依据所述数据项、数据流和数据结构生成 数据字典。
在一实施例中，数据结构可以为：学生所选的对应课程，其中学生包括：“姓名”“学号”“年龄”“性别”，课程包括“课程编号”“选课编号”，提取该数据结构中的数据项名：姓名、年龄、性别、课程编号、选课编号，可确定数据项为：姓名、年龄、性别、课程编号、选课编号。
步骤S150：基于所述数据项、所述数据结构和所述数据流生成数据字典。
在一实施例中，假设数据项为姓名、年龄、性别、课程编号、选课编号，数据结构为学生所选的对应课程，其中学生包括：“姓名”“学号”“年龄”“性别”，课程包括“课程编号”“选课编号”，数据流为记录学生选课信息，数据流来源为学生选课处理，数据流去向为学生选课储存，数据流组成为：“学号”“选课编号”，那么生成的数据字典可以如表1所示：
序号 表名
1 学生基本信息表
2 选课信息表
表1
学生基本信息如表2所示：
Figure PCTCN2019103434-appb-000001
表2
选课信息如表3所示：
名称 数据类型 主键 非空 约束条件
选课编号 char(4) Yes Yes  
课程编号 char(4) No Yes  
表3
在一实施例中，如图7所示，在图1所示的各个步骤之后，本发明实施例提供的数据字典生成的方法还可以包括如下步骤：
步骤S160：将所述数据字典存储至共享池，并赋予相应的等级；
步骤S170：获取用户登录信息；
步骤S180：基于所述用户登录信息中包含的该用户的权限信息和该用户所要调取的数据字典的等级，确定所述用户是否能调取相应的数据字典。
图7所示实施例的技术方案通过将所述数据字典存储至共享池的方式，使得满足预设条件的用户都可以获取所述数据字典，实现资源共享，通过判断所述用户登录信息中包含的该用户的权限信息是否满足调取该用户所要调取的数据字典等级的方式，防止高等级数据字典被不满足调取该数据字典的用户获取并泄露的风险。
在一实施例中，根据用户的登录信息确定该用户的权限为可调取等级小于等于5级的数据字典，该用户要调取的数据字典为7级，因该用户可调取的等级5小于要调取数据字典的等级7，故该用户无法从共享池中调取该等级为7级的数据字典。
本发明还提供了一种数据字典生成的装置。参考图8所示，所述数据字典生成的装置800包括：第一获取模块810、第二获取模块820、第三获取模块830、第一生成模块840、确定模块850、第二生成模块860。其中：
第一获取模块810：用于获取用户输入的数据字典描述；
第二获取模块820：用于将所述数据字典描述输入预设的意图识别模型，获取由所述意图识别模型输出的所述数据字典描述对应的意图信息，所述意图信息表示需要生成的数据字典的用途；
第三获取模块830：用于获取所述数据字典描述对应的关键词；
第一生成模块840：用于根据所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构；
确定模块850：用于基于所述数据结构确定数据项；
第二生成模块860，用于基于所述数据项、所述数据结构和所述数据流生成数据字典。
在一实施例中，第三获取模块830还可配置为：将所述数据字典描述分句，将所述数据字典描述分成的句子与预设的数据字典描述句模板库中的数据字典描述句模板进行比对，以确定与所述数据字典描述分成的句子相匹配的数据字典描述句模板，按照所述数据字典描述句模板中规定的数据字典描述关键词的位置，确定所述分成的句子中的关键词。
在一实施例中，第三获取模块830还可配置为：获取预先设置的数据字典描述样本集合；确定所述数据字典描述样本集合中的数据字典描述样本的关键词；将所述数据字典描述样本输入第一机器学习模型，由所述第一机器学习模型输出关键词，将所述第一机器学习模型输出的关键词与确定的所述数据字典描述样本的关键词进行比对，如不一致，则调整所述第一机器学习模型的参数，直至所述第一机器学习模型输出的关键词与确定的所述数据字典描述样本的关键词一致；将所述数据字典描述输入所述第一机器学习模型，获取由所述第一机器学习模型输出所述数据字典描述对应的关键词。
在一实施例中，第一生成模块840还可配置为：获取预先设置的数据字典描述对应的关键词和意图信息样本集合，确定所述数据字典描述对应的关键词和意图信息样本对应的数据流和数据结构，将所述数据字典描述对应的关键词和意图信息样本输入所述第二机器学习模型，由所述第二机器学习模型输出数据流与数据结构，将所述第二机器学习模型输出的数据流与数据结构与确定的数据流与数据结构进行比对，如不一致，则调整所述第二机器学习模型的参数，直至所述第二机器学习模型输出的数据流和数据结构与确定的数据流与数据结构一致，将所述数据流和数据结构输入所述第二机器学习模型，获取由所述第二机器学习模型输出所述数据流和数据结构。
在一实施例中，确定模块850还可配置为：基于所述数据结构确定数据项名，基于所述数据项名在预设数据库中匹配相应的数据项。
在一实施例中，所述数据字典生成装置800还包括：意图模型训练模块，用于获取预先设置的数据字典描述样本集合，识别所述数据字典描述样本集合中的数据字典描述样本对应的意图信息，将所述数据字典描述样本输入所述意图识别模型，由所述意图识别模型输出意图信息，将所述意图识别模型输出的意图信息和识别出的所述数据字典描述样本对应的意图信息进行比对，如不一致，则调整所述意图识别模型的参数，直至所述意图识别模型输出的意图信息与识别出的所述数据字典描述样本对应的意图信息一致。
在一实施例中，所述数据字典生成装置800还包括：共享模块，用于将所述数据字典存储至共享池，并赋予相应的等级，获取用户登录信息，基于所述用户登录信息中包含的该用户的权限信息和该用户所要调取的数据字典的等级，确定所述用户是否能调取相应的数据字典。
上述数据字典生成的装置中各模块的具体细节已经在对应的方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照所述特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，所述软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施方式的方法。
图9示出根据本发明一示例实施方式的数据字典生成的系统架构框图。所述系统架构包括：用户端910、服务器920。
在一实施例中，服务器920通过用户端910获取用户输入的数据字典描述，服务器920根据所述数据字典描述，获取所述数据字典描述对应的意图信息和关键词，服务器920根据所述意图信息和所述关键词确定所述数据字典描述对应的数据流和数据结构，服务器920根据所述数据结构中数据项名确定数据项，服务器920基于所述数据项、数据项结构和数据流生成所述数据字典描述对应的数据字典。
通过以上对系统架构的描述，本领域的技术人员易于理解，这里描述的系统架构能够实现图8所示的数据字典生成的装置中各个模块的功能。
在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可 以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本发明的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1010执行，使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1010可以执行如图1中所示步骤S100：获取用户输入的数据字典描述；步骤S110：将所述数据字典描述输入预设的意图识别模型，获取由所述意图识别模型输出的所述数据字典描述对应的意图信息，所述意图信息表示需要生成的数据字典的用途；步骤S120：获取所述数据字典描述对应的关键词；步骤S130：基于所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构；步骤S140：基于所述数据结构确定数据项；步骤S150：基于所述数据项、所述数据结构和所述数据流生成数据字典。
存储单元1020可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202，还可以进一步包括只读存储单元(ROM)10203。
存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204，这样的程序模块10205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备500(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且，电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述 程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图11所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品1100，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，非易失性可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

Claims (27)

  1. 一种数据字典生成方法，其特征在于，所述方法包括：
    获取用户输入的数据字典描述；
    将所述数据字典描述输入预设的意图识别模型，获取由所述意图识别模型输出的所述数据字典描述对应的意图信息，所述意图信息表示需要生成的数据字典的用途；
    获取所述数据字典描述对应的关键词；
    基于所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构；
    基于所述数据结构确定数据项；
    基于所述数据项、所述数据结构和所述数据流生成数据字典。
  2. 根据权利要求1所述的方法，其特征在于，在所述将所述数据字典描述输入预设的意图识别模型之前还包括：
    获取预先设置的数据字典描述样本集合；
    识别所述数据字典描述样本集合中的数据字典描述样本对应的意图信息；
    将所述数据字典描述样本输入所述意图识别模型，由所述意图识别模型输出意图信息，将所述意图识别模型输出的意图信息和识别出的所述数据字典描述样本对应的意图信息进行比对，如不一致，则调整所述意图识别模型的参数，直至所述意图识别模型输出的意图信息与识别出的所述数据字典描述样本对应的意图信息一致。
  3. 根据权利要求1所述的方法，其特征在于，所述获取所述数据字典描述对应的关键词包括：
    将所述数据字典描述分句；
    将所述数据字典描述分成的句子与预设的数据字典描述句模板库中的数据字典描述句模板进行比对，以确定与所述数据字典描述分成的句子相匹配的数据字典描述句模板；
    按照所述数据字典描述句模板中规定的数据字典描述关键词的位置，确定所述分成的句子中的关键词。
  4. 根据权利要求1所述的方法，其特征在于，所述获取所述数据字典描述对应的关键词包括：
    获取预先设置的数据字典描述样本集合；
    确定所述数据字典描述样本集合中的数据字典描述样本的关键词；
    将所述数据字典描述样本输入第一机器学习模型，由所述第一机器学习模型输出关键词，将所述第一机器学习模型输出的关键词与确定的所述数据字典描述样本的关键词进行比对，如不一致，则调整所述第一机器学习模型的参数，直至所述第一机器学习模型输出的关键词与确定的所述数据字典描述样本的关键词一致；
    将所述数据字典描述输入所述第一机器学习模型，获取由所述第一机器学习模型输出所述数据字典描述对应的关键词。
  5. 根据权利要求4所述的方法，其特征在于，所述基于所述关键词和所述意图信息 生成所述数据字典描述对应的数据流和数据结构包括:
    获取预先设置的数据字典描述对应的关键词和意图信息样本集合；
    确定所述数据字典描述对应的关键词和意图信息样本对应的数据流和数据结构；
    将所述数据字典描述对应的关键词和意图信息样本输入所述第二机器学习模型，由所述第二机器学习模型输出数据流与数据结构，将所述第二机器学习模型输出的数据流与数据结构与确定的数据流与数据结构进行比对，如不一致，则调整所述第二机器学习模型的参数，直至所述第二机器学习模型输出的数据流和数据结构与确定的数据流与数据结构一致；
    将所述数据流和数据结构输入所述第二机器学习模型，获取由所述第二机器学习模型输出所述数据流和数据结构。
  6. 根据权利要求1所述的方法，其特征在于，所述基于所述数据结构确定数据项包括：
    基于所述数据结构确定数据项名；
    基于所述数据项名在预设数据库中匹配相应的数据项。
  7. 根据权利要求4所述的方法，其特征在于，在所述基于所述数据项、所述数据结构和所述数据流生成数据字典之后包括：
    将所述数据字典存储至共享池，并赋予相应的等级；
    获取用户登录信息；
    基于所述用户登录信息中包含的该用户的权限信息和该用户所要调取的数据字典的等级，确定所述用户是否能调取相应的数据字典。
  8. 一种数据字典生成装置，其特征在于，包括：
    第一获取模块，用于获取用户输入的数据字典描述；
    第二获取模块，用于将所述数据字典描述输入预设的意图识别模型，获取由所述意图识别模型输出的所述数据字典描述对应的意图信息，所述意图信息表示需要生成的数据字典的用途；
    第三获取模块，获取所述数据字典描述对应的关键词；
    第一生成模块，根据所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构；
    确定模块，用于基于所述数据结构确定数据项；
    第二生成模块，用于基于所述数据项、所述数据结构和所述数据流生成数据字典。
  9. 根据权利要求8所述的装置，其特征在于，所述装置还包括：
    意图模型训练模块，用于，获取预先设置的数据字典描述样本集合；识别所述数据字典描述样本集合中的数据字典描述样本对应的意图信息；将所述数据字典描述样本输入所述意图识别模型，由所述意图识别模型输出意图信息，将所述意图识别模型输出的意图信息和识别出的所述数据字典描述样本对应的意图信息进行比对，如不一致，则调整所述意图识别模型的参数，直至所述意图识别模型输出的意图信息与识别出的所述数据字典描述样本对应的意图信息一致。
  10. 根据权利要求8所述的装置，其特征在于，所述第三获取模块还可配置为：
    将所述数据字典描述分句；将所述数据字典描述分成的句子与预设的数据字典描述句模板库中的数据字典描述句模板进行比对，以确定与所述数据字典描述分成的句子相匹配的数据字典描述句模板；按照所述数据字典描述句模板中规定的数据字典描述关键词的位置，确定所述分成的句子中的关键词。11、根据权利要求8所述的装置，其特征在于，所述第三获取模块还可配置为：
    获取预先设置的数据字典描述样本集合；确定所述数据字典描述样本集合中的数据字典描述样本的关键词；将所述数据字典描述样本输入第一机器学习模型，由所述第一机器学习模型输出关键词，将所述第一机器学习模型输出的关键词与确定的所述数据字典描述样本的关键词进行比对，如不一致，则调整所述第一机器学习模型的参数，直至所述第一机器学习模型输出的关键词与确定的所述数据字典描述样本的关键词一致；将所述数据字典描述输入所述第一机器学习模型，获取由所述第一机器学习模型输出所述数据字典描述对应的关键词。
  11. 根据权利要求8所述的装置，其特征在于，所述第一生成模块装置还可配置为：
    获取预先设置的数据字典描述对应的关键词和意图信息样本集合，确定所述数据字典描述对应的关键词和意图信息样本对应的数据流和数据结构，将所述数据字典描述对应的关键词和意图信息样本输入所述第二机器学习模型，由所述第二机器学习模型输出数据流与数据结构，将所述第二机器学习模型输出的数据流与数据结构与确定的数据流与数据结构进行比对，如不一致，则调整所述第二机器学习模型的参数，直至所述第二机器学习模型输出的数据流和数据结构与确定的数据流与数据结构一致，将所述数据流和数据结构输入所述第二机器学习模型，获取由所述第二机器学习模型输出所述数据流和数据结构。
  12. 根据权利要求8所述的装置，其特征在于，所述确定模块还可配置为：
    基于所述数据结构确定数据项名；基于所述数据项名在预设数据库中匹配相应的数据项。
  13. 根据权利要求8所述的装置，其特征在于，所述装置还包括：
    共享模块，用于：将所述数据字典存储至共享池，并赋予相应的等级；获取用户登录信息；基于所述用户登录信息中包含的该用户的权限信息和该用户所要调取的数据字典的等级，确定所述用户是否能调取相应的数据字典。
  14. 一种数据字典生成的电子设备，其特征在于，包括存储器，配置为存储可执行指令，处理器，配置为执行存储器中存储的可执行指令，所述计算机可读指令被所述处理器执行时，所述处理器用于执行以下处理：
    获取用户输入的数据字典描述；
    将所述数据字典描述输入预设的意图识别模型，获取由所述意图识别模型输出的所述数据字典描述对应的意图信息，所述意图信息表示需要生成的数据字典的用途；
    获取所述数据字典描述对应的关键词；
    基于所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构；
    基于所述数据结构确定数据项；
    基于所述数据项、所述数据结构和所述数据流生成数据字典。
  15. 根据权利要求15所述的电子设备，其特征在于，在所述将所述数据字典描述输 入预设的意图识别模型之前，所述处理器用于实现以下步骤：
    获取预先设置的数据字典描述样本集合；
    识别所述数据字典描述样本集合中的数据字典描述样本对应的意图信息；
    将所述数据字典描述样本输入所述意图识别模型，由所述意图识别模型输出意图信息，将所述意图识别模型输出的意图信息和识别出的所述数据字典描述样本对应的意图信息进行比对，如不一致，则调整所述意图识别模型的参数，直至所述意图识别模型输出的意图信息与识别出的所述数据字典描述样本对应的意图信息一致。
  16. 根据权利要求15所述的电子设备，其特征在于，所述处理器通过执行如下处理来实现所述获取所述数据字典描述对应的关键词：
    将所述数据字典描述分句；
    将所述数据字典描述分成的句子与预设的数据字典描述句模板库中的数据字典描述句模板进行比对，以确定与所述数据字典描述分成的句子相匹配的数据字典描述句模板；
    按照所述数据字典描述句模板中规定的数据字典描述关键词的位置，确定所述分成的句子中的关键词。
  17. 根据权利要求15所述的电子设备，其特征在于，所述处理器通过执行如下处理来实现所述获取所述数据字典描述对应的关键词：
    获取预先设置的数据字典描述样本集合；
    确定所述数据字典描述样本集合中的数据字典描述样本的关键词；
    将所述数据字典描述样本输入第一机器学习模型，由所述第一机器学习模型输出关键词，将所述第一机器学习模型输出的关键词与确定的所述数据字典描述样本的关键词进行比对，如不一致，则调整所述第一机器学习模型的参数，直至所述第一机器学习模型输出的关键词与确定的所述数据字典描述样本的关键词一致；
    将所述数据字典描述输入所述第一机器学习模型，获取由所述第一机器学习模型输出所述数据字典描述对应的关键词。
  18. 根据权利要求15所述的电子设备，其特征在于，所述处理器通过执行如下处理来实现所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构：
    获取预先设置的数据字典描述对应的关键词和意图信息样本集合；
    确定所述数据字典描述对应的关键词和意图信息样本对应的数据流和数据结构；
    将所述数据字典描述对应的关键词和意图信息样本输入所述第二机器学习模型，由所述第二机器学习模型输出数据流与数据结构，将所述第二机器学习模型输出的数据流与数据结构与确定的数据流与数据结构进行比对，如不一致，则调整所述第二机器学习模型的参数，直至所述第二机器学习模型输出的数据流和数据结构与确定的数据流与数据结构一致；
    将所述数据流和数据结构输入所述第二机器学习模型，获取由所述第二机器学习模型输出所述数据流和数据结构。
  19. 根据权利要求15所述的电子设备，其特征在于，所述处理器通过执行如下处理来实现所述基于所述数据结构确定数据项：
    基于所述数据结构确定数据项名；
    基于所述数据项名在预设数据库中匹配相应的数据项。
  20. 根据权利要求15所述的电子设备，其特征在于，在所述基于所述数据项、所述数据结构和所述数据流生成数据字典之后，所述处理器于执行以下步骤：
    将所述数据字典存储至共享池，并赋予相应的等级；
    获取用户登录信息；
    基于所述用户登录信息中包含的该用户的权限信息和该用户所要调取的数据字典的等级，确定所述用户是否能调取相应的数据字典。
  21. 一种计算机非易失性可读存储介质，其特征在于，所述计算机程序被处理器执行时，使得所述处理器用于实现以下步骤：获取用户输入的数据字典描述；
    将所述数据字典描述输入预设的意图识别模型，获取由所述意图识别模型输出的所述数据字典描述对应的意图信息，所述意图信息表示需要生成的数据字典的用途；
    获取所述数据字典描述对应的关键词；
    基于所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构；
    基于所述数据结构确定数据项；
    基于所述数据项、所述数据结构和所述数据流生成数据字典。
  22. 根据权利要求22所述的计算机非易失性可读存储介质，其特征在于，在所述将所述数据字典描述输入预设的意图识别模型之前，所述处理器用于实现以下步骤：获取预先设置的数据字典描述样本集合；
    识别所述数据字典描述样本集合中的数据字典描述样本对应的意图信息；
    将所述数据字典描述样本输入所述意图识别模型，由所述意图识别模型输出意图信息，将所述意图识别模型输出的意图信息和识别出的所述数据字典描述样本对应的意图信息进行比对，如不一致，则调整所述意图识别模型的参数，直至所述意图识别模型输出的意图信息与识别出的所述数据字典描述样本对应的意图信息一致。
  23. 根据权利要求22所述的计算机非易失性可读存储介质，其特征在于，所述获取所述数据字典描述对应的关键词，所述处理器用于实现以下步骤：
    将所述数据字典描述分句；
    将所述数据字典描述分成的句子与预设的数据字典描述句模板库中的数据字典描述句模板进行比对，以确定与所述数据字典描述分成的句子相匹配的数据字典描述句模板；
    按照所述数据字典描述句模板中规定的数据字典描述关键词的位置，确定所述分成的句子中的关键词。
  24. 根据权利要求22所述的计算机非易失性可读存储介质，其特征在于，所述获取所述数据字典描述对应的关键词，所述处理器用于实现以下步骤：
    获取预先设置的数据字典描述样本集合；
    确定所述数据字典描述样本集合中的数据字典描述样本的关键词；
    将所述数据字典描述样本输入第一机器学习模型，由所述第一机器学习模型输出关键词，将所述第一机器学习模型输出的关键词与确定的所述数据字典描述样本的关键词进行比对，如不一致，则调整所述第一机器学习模型的参数，直至所述第一机器学习模型输出 的关键词与确定的所述数据字典描述样本的关键词一致；
    将所述数据字典描述输入所述第一机器学习模型，获取由所述第一机器学习模型输出所述数据字典描述对应的关键词。
  25. 根据权利要求22所述的计算机非易失性可读存储介质，其特征在于，所述基于所述关键词和所述意图信息生成所述数据字典描述对应的数据流和数据结构，所述处理器用于实现以下步骤：
    获取预先设置的数据字典描述对应的关键词和意图信息样本集合；
    确定所述数据字典描述对应的关键词和意图信息样本对应的数据流和数据结构；
    将所述数据字典描述对应的关键词和意图信息样本输入所述第二机器学习模型，由所述第二机器学习模型输出数据流与数据结构，将所述第二机器学习模型输出的数据流与数据结构与确定的数据流与数据结构进行比对，如不一致，则调整所述第二机器学习模型的参数，直至所述第二机器学习模型输出的数据流和数据结构与确定的数据流与数据结构一致；
    将所述数据流和数据结构输入所述第二机器学习模型，获取由所述第二机器学习模型输出所述数据流和数据结构。
  26. 根据权利要求22所述的计算机非易失性可读存储介质，其特征在于，所述基于所述数据结构确定数据项，所述处理器用于实现以下步骤：
    基于所述数据结构确定数据项名；
    基于所述数据项名在预设数据库中匹配相应的数据项。
  27. 根据权利要求22所述的计算机非易失性可读存储介质，其特征在于，在所述基于所述数据项、所述数据结构和所述数据流生成数据字典之后，所述处理其用于执行以下步骤：
    将所述数据字典存储至共享池，并赋予相应的等级；
    获取用户登录信息；
    基于所述用户登录信息中包含的该用户的权限信息和该用户所要调取的数据字典的等级，确定所述用户是否能调取相应的数据字典。
PCT/CN2019/103434 2019-05-23 2019-08-29 数据字典生成的方法、装置、电子设备和存储介质 Ceased WO2020232896A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910433025.3 2019-05-23
CN201910433025.3A CN110348004B (zh) 2019-05-23 2019-05-23 数据字典生成的方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
WO2020232896A1 true WO2020232896A1 (zh) 2020-11-26

Family

ID=68173952

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/103434 Ceased WO2020232896A1 (zh) 2019-05-23 2019-08-29 数据字典生成的方法、装置、电子设备和存储介质

Country Status (2)

Country Link
CN (1) CN110348004B (zh)
WO (1) WO2020232896A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115421873B (zh) * 2022-09-30 2025-07-22 建信金融科技有限责任公司 字典构建方法、基于字典的文件评估方法及装置、设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101673287A (zh) * 2009-10-16 2010-03-17 金蝶软件（中国）有限公司 一种sql语句生成方法及系统
CN103927353A (zh) * 2014-04-10 2014-07-16 北京网秦天下科技有限公司 用于生成业务表的方法和设备
US20150205787A1 (en) * 2014-01-18 2015-07-23 Logawi Data Analytics, LLC System and Methodology for Assessing and Predicting Linguistic and Non-Linguistic Events and for Providing Decision Support
CN104850566A (zh) * 2014-02-19 2015-08-19 句容中新软件科技有限公司 基于行业数据词典的垂直搜索精准信息推送方法
CN105005592A (zh) * 2015-06-29 2015-10-28 用友优普信息技术有限公司 数据字典生成方法和数据字典生成装置
CN108280099A (zh) * 2017-01-11 2018-07-13 广州市动景计算机科技有限公司 数据字典管理方法、装置及服务器

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5729746A (en) * 1992-12-08 1998-03-17 Leonard; Ricky Jack Computerized interactive tool for developing a software product that provides convergent metrics for estimating the final size of the product throughout the development process using the life-cycle model
US8145662B2 (en) * 2008-12-31 2012-03-27 Ebay Inc. Methods and apparatus for generating a data dictionary
CN102096670A (zh) * 2009-12-14 2011-06-15 深圳速浪数字技术有限公司 一种数据字典生成方法以及装置
CN102541867A (zh) * 2010-12-15 2012-07-04 金蝶软件（中国）有限公司 数据字典生成方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101673287A (zh) * 2009-10-16 2010-03-17 金蝶软件（中国）有限公司 一种sql语句生成方法及系统
US20150205787A1 (en) * 2014-01-18 2015-07-23 Logawi Data Analytics, LLC System and Methodology for Assessing and Predicting Linguistic and Non-Linguistic Events and for Providing Decision Support
CN104850566A (zh) * 2014-02-19 2015-08-19 句容中新软件科技有限公司 基于行业数据词典的垂直搜索精准信息推送方法
CN103927353A (zh) * 2014-04-10 2014-07-16 北京网秦天下科技有限公司 用于生成业务表的方法和设备
CN105005592A (zh) * 2015-06-29 2015-10-28 用友优普信息技术有限公司 数据字典生成方法和数据字典生成装置
CN108280099A (zh) * 2017-01-11 2018-07-13 广州市动景计算机科技有限公司 数据字典管理方法、装置及服务器

Also Published As

Publication number Publication date
CN110348004A (zh) 2019-10-18
CN110348004B (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
US10909969B2 (en) Generation of language understanding systems and methods
CN111159220B (zh) 用于输出结构化查询语句的方法和装置
US9875235B1 (en) Process flow diagramming based on natural language processing
US20180068222A1 (en) System and Method of Advising Human Verification of Machine-Annotated Ground Truth - Low Entropy Focus
WO2021121296A1 (zh) 习题测试数据生成方法以及装置
CN107861954B (zh) 基于人工智能的信息输出方法和装置
US11763074B2 (en) Systems and methods for tool integration using cross channel digital forms
WO2018153130A1 (zh) 一种翻译方法及装置
CN104699741A (zh) 分析自然语言问题来确定缺失信息以便提高回答的准确性
US20070250504A1 (en) Office System Content Prediction Based On Regular Expression Pattern Analysis
US10345922B2 (en) Office system prediction configuration sharing
WO2020056621A1 (zh) 一种意图识别模型的学习方法、装置及设备
CN116303537A (zh) 数据查询方法及装置、电子设备、存储介质
US10496751B2 (en) Avoiding sentiment model overfitting in a machine language model
CN114048253A (zh) 一种查询结果生成方法、装置、设备及存储介质
CN110162771A (zh) 事件触发词的识别方法、装置、电子设备
CN114461749B (zh) 对话内容的数据处理方法、装置、电子设备和介质
WO2023173631A1 (zh) 编程方法和装置、设备、存储介质及计算机程序产品
CN112699228B (zh) 业务访问方法、装置、电子设备及存储介质
JP7802144B2 (ja) 大規模モデルに基づくコード生成方法、装置、電子機器および記憶媒体
TW201839632A (zh) 處理自然語言的方法及裝置
WO2020232896A1 (zh) 数据字典生成的方法、装置、电子设备和存储介质
CN120804729A (zh) 语料生成方法、设备、介质及产品
CN119719138A (zh) 数据库语句生成方法、装置、设备、介质和程序产品
CN117371406A (zh) 基于大型语言模型的注释生成方法、装置、设备及介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19930026

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19930026

Country of ref document: EP

Kind code of ref document: A1