一种基于数据库自动生成应用的方法与流程

本技术涉及数据库领域，且更为具体地，涉及一种基于数据库自动生成应用的方法。

背景技术：

1、随着互联网应用的不断发展和数据量的急剧增加，数据库已成为存储和管理企业大量数据的核心技术之一。然而，由于数据库中存储的信息过于庞大复杂，使得许多用户很难通过常规方式查询到所需信息。传统的应用程序开发需要大量耗费人力物力投入，且无法满足大批量并发请求的要求。不仅如此，市场现有基于数据库自动生成应用相关技术不存在规范化的独立技术应用，所以不能够完备成体系的进行独立使用。

2、因此，期望一种优化的基于数据库自动生成应用的方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于数据库自动生成应用的方法，其通过采用基于深度学习的神经网络模型挖掘出用户的查询条件的语义理解特征和所述备选答案数据项的语义理解特征之间的语义关联特征，以此来进行各个备选答案数据项的筛选，以返回准确的备选答案数据项。这样，能够基于规范化的独立技术应用，使其可以进行独立使用，避免了在实际应用中遇到的各种不便之处，为企业寻找大量数据和自动生成应用提供了更加便利的方式。

2、根据本技术的一个方面，提供了一种基于数据库自动生成应用的方法，其包括：

3、获取数据库的连接信息和访问权限；

4、对所述数据库中的数据结构进行分析以生成元数据信息，其中所述元数据信息包括字段名称、数据类型和长度；

5、基于所述元数据信息和预设模板生成页面结构和应用操作逻辑；

6、基于用户的查询条件，从所述数据库中查询数据内容；

7、将查询到的所述数据内容渲染到页面上，供用户查看和操作；

8、基于约定形式扩展应用细节。

9、2.根据权利要求1所述的基于数据库自动生成应用的方法，其特征在于，基于用户的查询条件，从所述数据库中查询数据内容，包括：

10、获取用户查询条件；

11、对所述用户查询条件进行分词处理后通过词嵌入层以得到查询词嵌入向量的序列；

12、将所述查询词嵌入向量的序列通过包含第一语义编码器和第二语义编码器的集成模型以得到多尺度查询条件语义理解特征向量；

13、获取第一备选答案数据项；

14、对所述第一备选答案数据项进行分词处理后通过所述词嵌入层和所述包含第一语义编码器和第二语义编码器的集成模型以得到第一备选答案语义理解特征向量；

15、计算所述多尺度查询条件语义理解特征向量和所述第一备选答案语义理解特征向量之间的差分特征向量；

16、将所述差分特征向量通过分类器以得到分类结果，所述分类结果用于表示是否返回所述第一备选答案数据项。

17、在上述基于数据库自动生成应用的方法中，将所述查询词嵌入向量的序列通过包含第一语义编码器和第二语义编码器的集成模型以得到多尺度查询条件语义理解特征向量，包括：将所述查询词嵌入向量的序列通过所述集成模型的第一语义编码器以得到第一尺度查询条件语义理解特征向量；将所述查询词嵌入向量的序列通过所述集成模型的第二语义编码器以得到第二尺度查询条件语义理解特征向量；将所述第一尺度查询条件语义理解特征向量和所述第二尺度查询条件语义理解特征向量进行级联以得到所述多尺度查询条件语义理解特征向量。

18、在上述基于数据库自动生成应用的方法中，对所述第一备选答案数据项进行分词处理后通过所述词嵌入层和所述包含第一语义编码器和第二语义编码器的集成模型以得到第一备选答案语义理解特征向量，包括：对所述第一备选答案数据项进行分词处理以将所述第一备选答案数据项转化为由多个词组成的词序列；使用所述嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含第一语义编码器和第二语义编码器的集成模型的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述第一备选答案语义理解特征向量。

19、在上述基于数据库自动生成应用的方法中，使用所述包含第一语义编码器和第二语义编码器的集成模型的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局特征向量；计算所述全局特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量的转置向量进行加权以得到所述多个上下文语义特征向量；以及，将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。

20、在上述基于数据库自动生成应用的方法中，计算所述多尺度查询条件语义理解特征向量和所述第一备选答案语义理解特征向量之间的差分特征向量，包括：以如下差分公式计算所述多尺度查询条件语义理解特征向量和所述第一备选答案语义理解特征向量之间的差分特征向量；其中，所述公式为：

21、

22、其中，v1表示所述多尺度查询条件语义理解特征向量，v2表示所述第一备选答案语义理解特征向量，vc表示所述差分特征向量，表示按位置差分。

23、在上述基于数据库自动生成应用的方法中，还包括训练步骤：用于对所述包含第一语义编码器和第二语义编码器的集成模型和所述分类器进行训练。

24、在上述基于数据库自动生成应用的方法中所述训练步骤，包括：获取训练数据，所述训练数据包括训练用户查询条件，训练第一备选答案数据项，以及，所述是否返回所述第一备选答案数据项的真实值；对所述训练用户查询条件进行分词处理后通过所述词嵌入层以得到训练查询词嵌入向量的序列；将所述训练查询词嵌入向量的序列通过所述包含第一语义编码器和第二语义编码器的集成模型以得到训练多尺度查询条件语义理解特征向量；对所述训练第一备选答案数据项进行分词处理后通过所述词嵌入层和所述包含第一语义编码器和第二语义编码器的集成模型以得到训练第一备选答案语义理解特征向量；计算所述训练多尺度查询条件语义理解特征向量和所述训练第一备选答案语义理解特征向量之间的训练差分特征向量；将所述训练差分特征向量通过所述分类器以得到分类损失函数值；计算所述训练多尺度查询条件语义理解特征向量和所述训练第一备选答案语义理解特征向量的伪循环差异惩罚因数作为差异损失函数值；以所述分类损失函数值和所述差异损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述包含第一语义编码器和第二语义编码器的集成模型和所述分类器进行训练。

25、在上述基于数据库自动生成应用的方法中，将所述训练差分特征向量通过所述分类器以得到分类损失函数值，包括：使用所述分类器对所述训练差分特征向量进行处理以得到训练分类结果:以及，计算所述训练分类结果与所述返回所述第一备选答案数据项的真实值之间的交叉熵损失函数值作为所述分类损失函数值。

26、在上述基于数据库自动生成应用的方法中，计算所述训练多尺度查询条件语义理解特征向量和所述训练第一备选答案语义理解特征向量的伪循环差异惩罚因数作为差异损失函数值，包括：以如下损失公式计算所述训练多尺度查询条件语义理解特征向量和所述训练第一备选答案语义理解特征向量的伪循环差异惩罚因数作为所述差异损失函数值；

27、其中，所述损失公式为：

28、

29、其中，v1是所述训练多尺度查询条件语义理解特征向量，v2是所述训练第一备选答案语义理解特征向量，d(v1,v2)为所述训练多尺度查询条件语义理解特征向量和所述训练第一备选答案语义理解特征向量之间的距离矩阵，||·||f表示矩阵的frobenius范数，l是特征向量的长度，d(v1,v2)是所述训练多尺度查询条件语义理解特征向量和所述训练第一备选答案语义理解特征向量之间的距离，||·||2是向量的二范数，log表示以2为底的对数函数值，且α和β为加权超参数，是所述差异损失函数值。

30、根据本技术的另一方面，提供了一种基于数据库自动生成应用的系统，其包括：

31、用户查询条件获取模块，用于获取用户查询条件；

32、词嵌入模块，用于对所述用户查询条件进行分词处理后通过词嵌入层以得到查询词嵌入向量的序列；

33、查询条件语义理解特征提取模块，用于将所述查询词嵌入向量的序列通过包含第一语义编码器和第二语义编码器的集成模型以得到多尺度查询条件语义理解特征向量；

34、第一备选答案数据项获取模块，用于获取第一备选答案数据项；

35、第一备选答案语义理解特征提取模块，用于对所述第一备选答案数据项进行分词处理后通过所述词嵌入层和所述包含第一语义编码器和第二语义编码器的集成模型以得到第一备选答案语义理解特征向量；

36、差分模块，用于计算所述多尺度查询条件语义理解特征向量和所述第一备选答案语义理解特征向量之间的差分特征向量；

37、分类结果生成模块，用于将所述差分特征向量通过分类器以得到分类结果，所述分类结果用于表示是否返回所述第一备选答案数据项。

38、根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于数据库自动生成应用的方法。

39、根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于数据库自动生成应用的方法。

40、与现有技术相比，本技术提供的一种基于数据库自动生成应用的方法，其通过采用基于深度学习的神经网络模型挖掘出用户的查询条件的语义理解特征和所述备选答案数据项的语义理解特征之间的语义关联特征，以此来进行各个备选答案数据项的筛选，以返回准确的备选答案数据项。这样，能够基于规范化的独立技术应用，使其可以进行独立使用，避免了在实际应用中遇到的各种不便之处，为企业寻找大量数据和自动生成应用提供了更加便利的方式。