构建信息蓝图:概念模型与E-R图的技术解析

简介: 构建信息蓝图:概念模型与E-R图的技术解析



概念模型的描述

概念模型

从数据模型的建模方法来看,一般是先将现实世界中的问题建模为信息世界中的概念模型,然后将信息世界中的概念模型转化为机器世界中的逻辑模型。

当确认概念模型已经能够充分表达原问题(现实世界中)的时候,再将这种概念模型转化为数据库系统中某一个既定DBMS支持的数据模型,形成机器世界中的逻辑模型。

从现实世界到机器世界的转换过程可以用下图来表示。

从现实世界到机器世界的转换过程


实体及其联系——概念

实体

实体是客观存在的并可以相互区分的事物。

◆实体的属性是指实体所具有的特性。

eg:学生是一个实体,如姓名、性别、成绩等是实体的属性。

◆码又称关键字,它是一个或者多个属性的集合。

eg:学号是学生实体的码。

◆属性的域是指一个属性的取值范围。

eg:成绩是学生实体的域。

◆实体型是指用实体名和实体属性名的集合来共同刻画同一类实体。

eg:学生(学号,姓名,性别,籍贯,成绩)是一个实体型。

◆实体集就是实体的集合。


联系

>定义

是指事物之间的关系(现实世界)在信息世界中的反映。

>两种类型

实体内部的联系和实体之间的联系

>实体之间三种联系类型

假设 A 和 B分别表示两个实体集

  • 一对一联系记为(1:1)
  • 一对多联系记为(1:n,1:*)
  • 多对多联系记为(m:n,*:*)

如何描述这种概念模型

当将现实世界中的实际问题转化为信息世界中的概念模型时,用什么来描述这种概念模型呢?

E-R图

当在数据库理论中,通常用E-R图来描述概念模型它提供了表示实体型、属性和联系的方法。

实体及其属性的表示
【例子】

对于一个实体型——学生(学号,姓名,成绩)其 E-R 图

学生实体及其属性的 E-R图


实体型之间联系的表示

两个实体型之间联系的表示

两个实体之间的各种联系

多个实体型(3 个或3个以上)之间联系的表示

三个实体型A、B、C之间联系表示为(m:n:o),其中 m,n,o>0。

【例子】

对于供应商、仓库和零件由于一个供应商可以提供多种零件并存放在不同仓库中,而一种零件也可以由多个供应商提供并存放在不同仓库中,同时一个仓库也可以存放不同供应商提供的多种零件。所以供应商、仓库和零件之间的联系是多对多联系,

其 E-R图可以用下图表示。

三个实体型之间多对多联系


实体型内部联系的

表示同一个实体型内部实体的三种联系对应的E-R图

分别如下图(a)、(b)和(c)所示。

实体型内实体之间的各种联系

【例子】

职工实体型中的实体具有领导与被领导的联系,这种联系是一对多联系,可以用下图表示。

职工实体型内的一对多联系

联系属性的表示

联系的属性的表示方法与实体的类似

对于供应商和仓库之间的联系(库存),其属性(库存量),可以表示如图下图所示。

联系属性的表示

总结

  • 利用实体、属性和联系及其之间关系的表示方法可以将现实世界中的复杂问题抽象成为信息世界中的概念模型
  • 概念模型通常是用 E-R 图表示的, E-R 图的设计过程就是对问题进行抽象和建模的过程

希望对你有帮助!加油!

若您认为本文内容有益,请不吝赐予赞同并订阅,以便持续接收有价值的信息。衷心感谢您的关注和支持!

目录
相关文章
|
1天前
|
机器学习/深度学习 人工智能 算法
构建高效AI系统:深度学习优化技术解析
【5月更文挑战第12天】 随着人工智能技术的飞速发展,深度学习已成为推动创新的核心动力。本文将深入探讨在构建高效AI系统中,如何通过优化算法、调整网络结构及使用新型硬件资源等手段显著提升模型性能。我们将剖析先进的优化策略,如自适应学习率调整、梯度累积技巧以及正则化方法,并讨论其对模型训练稳定性和效率的影响。文中不仅提供理论分析,还结合实例说明如何在实际项目中应用这些优化技术。
|
3天前
|
负载均衡 关系型数据库 MySQL
MySQL读写分离技术深度解析
在高并发、大数据量的互联网应用环境中,数据库作为数据存储的核心组件,其性能直接影响着整个系统的运行效率。MySQL作为最常用的开源关系型数据库之一,虽然功能强大,但在处理大量并发读写请求时,单点服务器的性能瓶颈逐渐显现。为了解决这一问题,MySQL读写分离技术应运而生,成为提升数据库性能、实现负载均衡的有效手段。
|
3天前
|
XML JavaScript 数据格式
Beautiful Soup 库的工作原理基于解析器和 DOM(文档对象模型)树的概念
Beautiful Soup 使用解析器(如 html.parser, lxml, html5lib)解析HTML/XML文档,构建DOM树。它提供方法查询和操作DOM,如find(), find_all()查找元素,get_text(), get()提取信息。还能修改DOM,添加、修改或删除元素,并通过prettify()输出格式化字符串。它是处理网页数据的利器,尤其在处理不规则结构时。
7 2
|
5天前
|
存储 SQL 自然语言处理
RAG技术全解析:打造下一代智能问答系统
一、RAG简介 大型语言模型(LLM)已经取得了显著的成功,尽管它们仍然面临重大的限制,特别是在特定领域或知识密集型任务中,尤其是在处理超出其训练数据或需要当前信息的查询时,常会产生“幻觉”现象。为了克服这些挑战,检索增强生成(RAG)通过从外部知识库检索相关文档chunk并进行语义相似度计算,增强了LLM的功能。通过引用外部知识,RAG有效地减少了生成事实不正确内容的问题。RAG目前是基于LLM系统中最受欢迎的架构,有许多产品基于RAG构建,使RAG成为推动聊天机器人发展和增强LLM在现实世界应用适用性的关键技术。 二、RAG架构 2.1 RAG实现过程 RAG在问答系统中的一个典型
36 2
|
5天前
|
存储 Java 程序员
Java面向对象编程的基础概念解析
Java面向对象编程的基础概念解析
13 0
|
6天前
|
机器学习/深度学习 算法 物联网
LISA微调技术解析:比LoRA更低的显存更快的速度
LISA是Layerwise Importance Sampling for Memory-Efficient Large Language Model Fine-Tuning的简写,由UIUC联合LMFlow团队于近期提出的一项LLM微调技术,可实现把全参训练的显存使用降低到之前的三分之一左右,而使用的技术方法却是非常简单。
|
2天前
PandasTA 源码解析(二十三)
PandasTA 源码解析(二十三)
7 0
|
2天前
PandasTA 源码解析(二十二)(3)
PandasTA 源码解析(二十二)
5 0
|
2天前
PandasTA 源码解析(二十二)(2)
PandasTA 源码解析(二十二)
9 2
|
2天前
PandasTA 源码解析(二十二)(1)
PandasTA 源码解析(二十二)
7 0

推荐镜像

更多