CN112084248A - 基于图数据库的智能数据检索查阅与模型获取方法 - Google Patents
基于图数据库的智能数据检索查阅与模型获取方法 Download PDFInfo
- Publication number
- CN112084248A CN112084248A CN202010954341.8A CN202010954341A CN112084248A CN 112084248 A CN112084248 A CN 112084248A CN 202010954341 A CN202010954341 A CN 202010954341A CN 112084248 A CN112084248 A CN 112084248A
- Authority
- CN
- China
- Prior art keywords
- data
- tables
- graph
- model
- retrieval
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于图数据库的智能数据检索查阅与模型获取方法,具体涉及图数据技术领域,包括步骤:S1:数据建模,依据规范化的数据库设计文档,在图数据库中建立元数据模型,以节点的形式存储表,以关系的形式存储表间关联关系;S2:数据抽取,根据具体关系型数据,采取相应的技术,将数据转换为文本格式文件即可,也可使用某种编程语言的对此关系型数据库驱动程序,完成数据抽取;S3:数据装载,包括节点装载及关系装载;S4:前端数据应用。本发明高效及时准确完成数据查找、提取或统计分析,便于人员快速响应公司数据运营需要,在对数据仓库数据模型不了解的情况下可自主获取全域数据,获取专属数据模型,灵活高效开展各种数据应用工作。
Description
技术领域
本发明涉及图数据技术领域,更具体地说,本发明涉及基于图数据库的智能数据检索查阅与模型获取方法。
背景技术
当前,我国经济发展步入新常态,创新成为驱动经济社会发展的新引擎。随着信息技术与经济社会的深度融合,数据对社会各行业、各领域创新的支撑作用日益凸显,在建设“数字中国”及“数字化转型”的大背景下,伴随着各行业的数据量急剧增长,大数据逐步从概念导入期转入了深化务实应用的新阶段,企业内,大数据时代的到来,让越来越多的企业看到了数据资产的价值。将数据视为企业的重要资产,已经成为业界的一种共识,企业也在快速探索应用场景和商业模式,开始建设大数据平台,在大数据平台之上,开展数据治理及数据标准定义工作,建立了面向业务人员的商业智能等传统数据应用***,在传统数据应用***中,业务数据分析师以固定报表、分析报表、自由多维报表、清单报表、自助查询等形式获取数据,然而报表与报表之间仍是孤立的,如需多项数据,则要导出相关数据后进行人工合并,如报表中数据缺失,只能等待报表升级。虽然自助查询可以随意组合,但需要业务数据分析师与数据仓库开发工程师反复多轮沟通交流,开发工程师充分理解了业务含义以场景,业务数据分析师熟悉数据模型设计理论及实施过程后才能有效推进相关工作。从全局视角出发,如何高效、方便的获取数据,已然成为紧迫的需求。
现有技术中,BI报表***是主要的数据获取途径,但所有数据不能集中于一张报表中,也不能针所有用户的需求提前开发出专属报表,现有报表中数据项不足以支撑当前分析时,仅能由数据仓库开发工程师人工编写SQL语句,以临时数据提取形式支持或等待报表升级。数据仓库开发工程师需与业务数据分析师反复沟通交流,理解业务场景及含义,根据数据库设计等文档人工查找、理解字段含义,探索表间关联关系,因经验水平有差异,需求描述标准化程度不足,效率及准确性较低,人工编写SQL的形式导致响应的需求数量有限,阻碍了数据运营工作的高效开展。过程中知识积累以后补文档形式留存,共享性不足。
所以行业中需要基于图数据库的智能数据检索查阅与模型获取方法,以解决行业中面临的问题。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供基于图数据库的智能数据检索查阅与模型获取方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于图数据库的智能数据检索查阅与模型获取方法,包括以下步骤:
S1:数据建模,依据规范化的数据库设计文档,在图数据库中建立元数据模型,以节点的形式存储表,以关系的形式存储表间关联关系;
S2:数据抽取,根据具体关系型数据,采取相应的技术,将数据转换为文本格式文件即可,也可使用某种编程语言的对此关系型数据库驱动程序,完成数据抽取;
S3:数据装载,包括节点装载及关系装载;
S4:前端数据应用,前端应用的界面布局包含三个区域,分别为检索区、图谱区、记录显示区,检索区采用智能引擎辅助通过输入的字段结合图数据库的元数据信息检索到相关表,依据用户特征,对匹配到的相关表进行排序,提高用户查找检索表的便利性;图谱显示区可以显示相关数据,上方工具栏显示图谱中包含哪些表,可以进行表中数据查找筛选与锁定图中显示数据等操作,图中节点可以进行下钻、数据聚合、显示更多等操作;记录显示区用来显示点击节点对应的表名、字段名及具体字段的是,字段前有复选框,可将此字段作为重点关注内容。
在上述技术方案的基础上,节点装载及关系装载可以使用的导入方式有CypherCREATE语句、Cypher LOAD CSV、官方提供的Java API、开源的Batch Import工具与官方提供的neo4j-import。
在上述技术方案的基础上,表间关系查找,首先依据最短路径图算法,寻找两两表间的关联关系,其次对路径进行裁剪,裁剪的方法为,遍历图内所有路径,如路径中的表重复出现并且当前关系也已经出现过,则停止遍历重复的关系及表,并移除此条路径,保留表及关系非重复的路径。
在上述技术方案的基础上,经过数据探索,图谱显示区会显示出多张关联的主子表数据,通过聚合功能实现子表数据汇总,依据子表与父表的已经存在的关联关系,建立汇总的子表与父表关联关系。同理,父表下的其他业务种类子表也可以汇总并建立与父表的关联关系,实现父表下各类业务汇总数据自动关联。
在上述技术方案的基础上,数据导出以关联的表格形式导出,无关联关系的多组表将分成若干表格。
在上述技术方案的基础上,数据模型提取,基于图谱结构的元数据,默认穷举两两组合(可指定保留有实际意义或丢弃没有实际意义的)按最高效的最短路径关联关系提取出数据模型,用户根据实际需要转换为最贴合自身的最优关联关系数据模型,智能引擎此时可以辅助用户选择最优关联关系,关联关系转换通过点击图谱中某个节点表触发,展示经过此节点的多条路径,用户可选择删除路径或选择某条最优路径替代最短路径,模型形成后,导出模型传递给BI报表工具,进一步进行数据分析与展示。
本发明的技术效果和优点:
1、与现有技术相比,本发明搭建了一个前端应用***,流程化的进行数据检索查阅及模型提取,检索模块下构建智能引擎,更好的识别用户意图,尽可能小的缩小数据范围。图数据库是一种在线的数据管理***,使用节点、边和属性来表示和存储数据,它支持图数据模型的增、删、改、查方法,可以通过查询语句进行检索,图数据库更看重数据之间多变的关联关系,图数据库将节点和联系的简单抽象组装为相互关联的一种结构,使得其不同于那些需要额外增加外键属性或使用map-reduce这样的额外处理来进行关联查找,避免了多表查询的笛卡尔积问题,极大提高关联检索的性能,图数据库的关键概念是图,可以通过图查询语言进行检索,除了以图形式存储数据,还以图形式存储了元数据,既能查看数据又能提取数据模型,本发明可以高效及时准确完成数据查找、提取或统计分析,便于业务人员快速响应公司数据运营需要,在对数据仓库数据模型不了解的情况下能够自主获取全域数据,获取专属数据模型,灵活高效开展各种数据应用等工作。
附图说明
图1为本发明的构架图。
图2为本发明的流程图。
图3为数据聚合功能示意图。
图4为模型提取过程中路径转换功能示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如附图1-2所示的基于图数据库的智能数据检索查阅与模型获取方法,包括以下步骤:
S1:数据建模,依据规范化的数据库设计文档,在图数据库中建立元数据模型,以节点的形式存储表,以关系的形式存储表间关联关系;
S2:数据抽取,根据具体关系型数据,采取相应的技术,将数据转换为文本格式文件即可,也可使用某种编程语言的对此关系型数据库驱动程序,完成数据抽取;
S3:数据装载,包括节点装载及关系装载;
S4:前端数据应用,前端应用的界面布局包含三个区域,分别为检索区、图谱区、记录显示区,检索区采用智能引擎辅助通过输入的字段结合图数据库的元数据信息检索到相关表,依据用户特征,对匹配到的相关表进行排序,提高用户查找检索表的便利性;图谱显示区可以显示相关数据,上方工具栏显示图谱中包含哪些表,可以进行表中数据查找筛选与锁定图中显示数据等操作,图中节点可以进行下钻、数据聚合、显示更多等操作;记录显示区用来显示点击节点对应的表名、字段名及具体字段的是,字段前有复选框,可将此字段作为重点关注内容。
进一步的,节点装载及关系装载可以使用的导入方式有Cypher CREATE语句、Cypher LOAD CSV、官方提供的Java API、开源的Batch Import工具与官方提供的neo4j-import。
进一步的,表间关系查找,首先依据最短路径图算法,寻找两两表间的关联关系,其次对路径进行裁剪,裁剪的方法为,遍历图内所有路径,如路径中的表重复出现并且当前关系也已经出现过,则停止遍历重复的关系及表,并移除此条路径,保留表及关系非重复的路径。
进一步的,经过数据探索,图谱显示区会显示出多张关联的主子表数据,如附图3所示通过聚合功能实现子表数据汇总,依据子表与父表的已经存在的关联关系,建立汇总的子表与父表关联关系。同理,父表下的其他业务种类子表也可以汇总并建立与父表的关联关系,实现父表下各类业务汇总数据自动关联。
进一步的,数据导出以关联的表格形式导出,无关联关系的多组表将分成若干表格。
进一步的,数据模型提取,基于图谱结构的元数据,默认穷举两两组合(可指定保留有实际意义或丢弃没有实际意义的)按最高效的最短路径关联关系提取出数据模型,如附图4所示用户根据实际需要转换为最贴合自身的最优关联关系数据模型,智能引擎此时可以辅助用户选择最优关联关系,关联关系转换通过点击图谱中某个节点表触发,展示经过此节点的多条路径,用户可选择删除路径或选择某条最优路径替代最短路径,模型形成后,导出模型传递给BI报表工具,进一步进行数据分析与展示。
本发明工作原理:数据建模是为了让一些不规则的业务领域变成结构化的、可掌控的空间,对于事务实际存在的方式,并没有一种天然的表达方式,但可以有目的的进行选择、抽象和简化,图数据库的建模方法很好的满足了这一目标,因为其逻辑模型和物理模型更加紧密,与业务逻辑基本是同构的,以往数据仓库模型首先是初步设计获得E_R图,其次是规范化的将E_R图映射为表和关系,再次为了获得查询性能以及在数据中体现数据关系,会进行人为制造重复数据这样的反规范化设计,在关系型库上为了获得最佳效果,通常需要向关系型数据库专家求助,将标准模型转换成反规范化模型,使其迎合底层RDBMS以及物理存储的特性,最终导致建立了很多“宽表”,在“宽表”之上再次进行数据处理以还原业务人员真实需要,依托图数据库,数据模型完成规范化设计即可,无需再进行反规范化设计,依据规范化的数据库设计文档,在图数据库中建立元数据模型,以节点的形式存储表,以关系的形式存储表间关联关系;根据具体关系型数据,采取相应的技术,将数据转换为文本格式文件即可,也可使用某种编程语言的对此关系型数据库驱动程序,完成数据抽取;一般图数据库都提供了数据导入功能,本发明以neo4j来介绍数据存储的技术方案,实施过程中分节点装载及关系装载两个步骤,每个步骤可以使用的导入方式有Cypher CREATE语句、Cypher LOAD CSV、官方提供的Java API、开源的Batch Import工具与官方提供的neo4j-import,采取的方案如下:1.节点存储,初始导入:neo4j-import,批量导入:load csv,2.关联存储,初始导入:neo4j-import,批量导入:load csv,执行Cypher语句;前端应用的界面布局包含三个区域,分别为检索区、图谱区、记录显示区,检索区采用智能引擎辅助通过输入的字段结合图数据库的元数据信息检索到相关表,依据用户特征,对匹配到的相关表进行排序,提高用户查找检索表的便利性,图谱显示区可以显示相关数据,上方工具栏显示图谱中包含哪些表,可以进行表中数据查找筛选与锁定图中显示数据等操作,图中节点可以进行下钻、数据聚合、显示更多等操作,记录显示区用来显示点击节点对应的表名、字段名及具体字段的是,字段前有复选框,可将此字段作为重点关注内容,表间关系查找,首先依据最短路径图算法,寻找两两表间的关联关系,其次对路径进行裁剪,裁剪的方法为,遍历图内所有路径,如路径中的表重复出现并且当前关系也已经出现过,则停止遍历重复的关系及表,并移除此条路径,保留表及关系非重复的路径,经过数据探索,图谱显示区会显示出多张关联的主子表数据,通过聚合功能实现子表数据汇总,依据子表与父表的已经存在的关联关系,建立汇总的子表与父表关联关系,同理,父表下的其他业务种类子表也可以汇总并建立与父表的关联关系,实现父表下各类业务汇总数据自动关联,数据导出,数据导出即图中选中表里的字段,以关联的表格形式导出,无关联关系的多组表将分成若干表格,数据模型提取,基于图谱结构的元数据,默认穷举两两组合(可指定保留有实际意义或丢弃没有实际意义的)按最高效的最短路径关联关系提取出数据模型,用户根据实际需要转换为最贴合自身的最优关联关系数据模型,智能引擎此时可以辅助用户选择最优关联关系,关联关系转换通过点击图谱中某个节点表触发,展示经过此节点的多条路径,用户可选择删除路径或选择某条最优路径替代最短路径,模型形成后,导出模型传递给BI报表工具,进一步进行数据分析与展示。
最后应说明的几点是:首先,在本申请的描述中,需要说明的是,除非另有规定和限定,术语“安装”、“相连”、“连接”应做广义理解,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变,则相对位置关系可能发生改变;
其次:本发明公开实施例附图中,只涉及到与本公开实施例涉及到的结构,其他结构可参考通常设计,在不冲突情况下,本发明同一实施例及不同实施例可以相互组合;
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于图数据库的智能数据检索查阅与模型获取方法,其特征在于:包括以下步骤:
S1:数据建模,依据规范化的数据库设计文档,在图数据库中建立元数据模型,以节点的形式存储表,以关系的形式存储表间关联关系;
S2:数据抽取,根据具体关系型数据,采取相应的技术,将数据转换为文本格式文件即可,也可使用某种编程语言的对此关系型数据库驱动程序,完成数据抽取;
S3:数据装载,包括节点装载及关系装载;
S4:前端数据应用,前端应用的界面布局包含三个区域,分别为检索区、图谱区、记录显示区,检索区采用智能引擎辅助通过输入的字段结合图数据库的元数据信息检索到相关表,依据用户特征,对匹配到的相关表进行排序,提高用户查找检索表的便利性;图谱显示区可以显示相关数据,上方工具栏显示图谱中包含哪些表,可以进行表中数据查找筛选与锁定图中显示数据等操作,图中节点可以进行下钻、数据聚合、显示更多等操作;记录显示区用来显示点击节点对应的表名、字段名及具体字段的是,字段前有复选框,可将此字段作为重点关注内容。
2.根据权利要求1所述的基于图数据库的智能数据检索查阅与模型获取方法,其特征在于:节点装载及关系装载可以使用的导入方式有Cypher CREATE语句、Cypher LOAD CSV、官方提供的Java API、开源的Batch Import工具与官方提供的neo4j-import。
3.根据权利要求1所述的基于图数据库的智能数据检索查阅与模型获取方法,其特征在于:表间关系查找,首先依据最短路径图算法,寻找两两表间的关联关系,其次对路径进行裁剪,裁剪的方法为,遍历图内所有路径,如路径中的表重复出现并且当前关系也已经出现过,则停止遍历重复的关系及表,并移除此条路径,保留表及关系非重复的路径。
4.根据权利要求1所述的基于图数据库的智能数据检索查阅与模型获取方法,其特征在于:经过数据探索,图谱显示区会显示出多张关联的主子表数据,通过聚合功能实现子表数据汇总,依据子表与父表的已经存在的关联关系,建立汇总的子表与父表关联关系。同理,父表下的其他业务种类子表也可以汇总并建立与父表的关联关系,实现父表下各类业务汇总数据自动关联。
5.根据权利要求1所述的基于图数据库的智能数据检索查阅与模型获取方法,其特征在于:数据导出以关联的表格形式导出,无关联关系的多组表将分成若干表格。
6.根据权利要求1所述的基于图数据库的智能数据检索查阅与模型获取方法,其特征在于:数据模型提取,基于图谱结构的元数据,默认穷举两两组合(可指定保留有实际意义或丢弃没有实际意义的)按最高效的最短路径关联关系提取出数据模型,用户根据实际需要转换为最贴合自身的最优关联关系数据模型,智能引擎此时可以辅助用户选择最优关联关系,关联关系转换通过点击图谱中某个节点表触发,展示经过此节点的多条路径,用户可选择删除路径或选择某条最优路径替代最短路径,模型形成后,导出模型传递给BI报表工具,进一步进行数据分析与展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010954341.8A CN112084248A (zh) | 2020-09-11 | 2020-09-11 | 基于图数据库的智能数据检索查阅与模型获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010954341.8A CN112084248A (zh) | 2020-09-11 | 2020-09-11 | 基于图数据库的智能数据检索查阅与模型获取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112084248A true CN112084248A (zh) | 2020-12-15 |
Family
ID=73737479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010954341.8A Pending CN112084248A (zh) | 2020-09-11 | 2020-09-11 | 基于图数据库的智能数据检索查阅与模型获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084248A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112860254A (zh) * | 2021-02-07 | 2021-05-28 | 武汉蓝星科技股份有限公司 | 一种使用数据模型呈现列表控件的方法 |
CN113656663A (zh) * | 2021-09-01 | 2021-11-16 | 广州游星弈科技有限公司 | 一种应用于数字化企业的数据联动分析***及方法 |
CN113672615A (zh) * | 2021-07-22 | 2021-11-19 | 杭州未名信科科技有限公司 | 一种基于树型表间关系自动生成sql的数据分析方法与*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106294588A (zh) * | 2016-07-28 | 2017-01-04 | 广东中标数据科技股份有限公司 | 快速搜索所要查询内容的方法及装置 |
CN107122443A (zh) * | 2017-04-24 | 2017-09-01 | 中国科学院软件研究所 | 一种基于Spark SQL的分布式全文检索***及方法 |
CN107402927A (zh) * | 2016-05-19 | 2017-11-28 | 上海斯睿德信息技术有限公司 | 一种基于图模型的企业关联关系拓扑建立方法及查询方法 |
CN107515887A (zh) * | 2017-06-29 | 2017-12-26 | 中国科学院计算机网络信息中心 | 一种适用于多种大数据管理***的交互式查询方法 |
CN111221785A (zh) * | 2018-11-27 | 2020-06-02 | 中云开源数据技术(上海)有限公司 | 一种多源异构数据的语义数据湖构建方法 |
-
2020
- 2020-09-11 CN CN202010954341.8A patent/CN112084248A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107402927A (zh) * | 2016-05-19 | 2017-11-28 | 上海斯睿德信息技术有限公司 | 一种基于图模型的企业关联关系拓扑建立方法及查询方法 |
CN106294588A (zh) * | 2016-07-28 | 2017-01-04 | 广东中标数据科技股份有限公司 | 快速搜索所要查询内容的方法及装置 |
CN107122443A (zh) * | 2017-04-24 | 2017-09-01 | 中国科学院软件研究所 | 一种基于Spark SQL的分布式全文检索***及方法 |
CN107515887A (zh) * | 2017-06-29 | 2017-12-26 | 中国科学院计算机网络信息中心 | 一种适用于多种大数据管理***的交互式查询方法 |
CN111221785A (zh) * | 2018-11-27 | 2020-06-02 | 中云开源数据技术(上海)有限公司 | 一种多源异构数据的语义数据湖构建方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112860254A (zh) * | 2021-02-07 | 2021-05-28 | 武汉蓝星科技股份有限公司 | 一种使用数据模型呈现列表控件的方法 |
CN113672615A (zh) * | 2021-07-22 | 2021-11-19 | 杭州未名信科科技有限公司 | 一种基于树型表间关系自动生成sql的数据分析方法与*** |
CN113672615B (zh) * | 2021-07-22 | 2023-06-20 | 杭州未名信科科技有限公司 | 一种基于树型表间关系自动生成sql的数据分析方法与*** |
CN113656663A (zh) * | 2021-09-01 | 2021-11-16 | 广州游星弈科技有限公司 | 一种应用于数字化企业的数据联动分析***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491561B (zh) | 一种基于本体的城市交通异构数据集成***及方法 | |
US8326857B2 (en) | Systems and methods for providing value hierarchies, ragged hierarchies and skip-level hierarchies in a business intelligence server | |
US8108399B2 (en) | Filtering of multi attribute data via on-demand indexing | |
US6853997B2 (en) | System and method for sharing, mapping, transforming data between relational and hierarchical databases | |
CN103455540B (zh) | 从数据仓库模型生成内存模型的***和方法 | |
CN112084248A (zh) | 基于图数据库的智能数据检索查阅与模型获取方法 | |
US7530012B2 (en) | Incorporation of spreadsheet formulas of multi-dimensional cube data into a multi-dimensional cube | |
US7606817B2 (en) | Primenet data management system | |
Morzy et al. | On querying versions of multiversion data warehouse | |
US10268645B2 (en) | In-database provisioning of data | |
CN108446368A (zh) | 一种包装产业大数据知识图谱的构建方法及设备 | |
US7844633B2 (en) | System and method for storage, management and automatic indexing of structured documents | |
US20080222129A1 (en) | Inheritance of attribute values in relational database queries | |
US20110153582A1 (en) | Handling of classification data by a search engine | |
US20040181518A1 (en) | System and method for an OLAP engine having dynamic disaggregation | |
CN112000851B (zh) | 一种键值模型、文档模型和图模型数据的统一存储方法 | |
KR101829198B1 (ko) | 보고서의 중요도를 분석하는 메타 데이터 기반 온라인 분석 프로세싱 시스템 | |
US20080313153A1 (en) | Apparatus and method for abstracting data processing logic in a report | |
US20160364426A1 (en) | Maintenance of tags assigned to artifacts | |
US9684704B2 (en) | Data extraction and sparseness discovery from multidimensional databases | |
EP2187320A2 (en) | Apparatus and method for utilizing context to resolve ambiguous queries | |
Silva et al. | Logical big data integration and near real-time data analytics | |
CN111709239A (zh) | 一种基于专家逻辑结构树的地学数据发现方法 | |
Gruenberg | Multi-Model Snowflake Schema Creation | |
Chang et al. | Ontology-based malfunction forecast and root cause analysis in product design |
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 |