bitsCN.com
数据库系统概念读书笔记——实体-联系模型
前言
为了重新回顾我写的消息系统架构,我需要重新读一下数据库系统概念的前三章,这里简单的做一个笔记,方便自己回顾
基本概念
实体-联系(E-R)数据模型基于对现实世界的这样一种认识:世界由一组称为实体的基本对象及这些对象间的联系组成。E-R数据模型所采用的三个主要概念是:实体集、联系集和属性
实体集
实体是现实世界中可区别于其他对象的“事件”或“物体”
实体集是具有相同类型及共享相同性质(或属性)的实体集合
实体通过一组属性来表示。属性是实体集中每个成员具有的描述性质。将一个属性赋予某实体集表明数据库为实体集中每个实体存储相似的信息,但每个实体在自己的每个属性上都有各自的值。属性类型划分:
简单属性和符合属性
单值属性和多值属性
派生属性
联系集
联系是多个实体间的相互关联
联系集是同类型联系的集合。规范的说,联系集是n(n >= 2)个实体集上的数学关系,这些实体集不必互异。如果E1, E2, ..., En为n个实体集,那么联系集R是{(e1,e2,e3,..,en)|e1 (- E1, e2 (-E2, ..., en (- En}的一个子集,其中(e1, e2, e3,...,en)是一个联系
约束
有了实体集合,有了联系集合,自然而然的就产生出来约束,约束描述的是实体集和实体集之间的关系,而这种关系具现为一个联系集。我们要讨论的是映射基数和参与约束
映射基数
映射基数,或基数比例,指明通过一个联系集能同时与另一个实体相联系的实体数目
对于实体集A和B之间的二元联系集R来说,映射基数必然是以下情况之一:
一对一
一对多
多对一
多对多
参与约束
如果实体集E中的每一个实体都参与到联系集R的至少一个联系中,我们称实体集E全部参与联系集R
如果实体集E中只有部分实体参与到联系集R的联系中,我们称实体集E部分参与联系集R
码
我们必须有一个能区分一个实体集中的所有实体的方法。概念上来说,各个实体是互异的;但从数据库的观点来看,它们的区别必须用其属性来表明
码概念使得我们可以区别实体,码同样可以唯一地标识联系,并将联系互相区分开来
超码:一个或多个属性的集合,这些属性的组合可以使我们在一个实体集中唯一地标识一个实体
候选码:任意真子集都不能称为超码的超码,也就是最小的超码
主码:数据库设计者选定的候选码
设计问题
实体集和联系集的概念并不精确,而且定义一组实体及它们的相互联系可以有多种不同的方式
用实体集还是属性
书里的电话号码和姓名的例子很清楚,哪个为属性哪个为实体集,注意两点常见的错误:
一个常见的错误是用实体集的主码作为另一个实体集的属性,而不是用联系
另一个常见的错误是将有关系的实体集的主码属性作为联系集的属性
用实体集还是联系集
用联系集可能产生的两个问题:
数据多次存储,浪费存储空间
更新可能使数据处于不一致的状态,即两个联系中应该具有相同值的属性具有了不同的值
二元联系集与n元联系集
n元关系可以分解成为二元关系,但是会出现关系描述不准确的情况
实体-联系图
E-R图包括如下几个主要组件:
矩形:实体集
椭圆:属性
菱形:联系集
线段:将属性连接到实体集或将实体集连接到属性集
双椭圆:多值属性
虚椭圆:派生属性
双矩形:弱实体集
举个书上的例子:
后记
纯粹为了回顾E-R模型和E-R图的画法,比较水,高手可以直接跳过了!
bitsCN.com
1 前言在发布DALL·E的15个月后,OpenAI在今年春天带了续作DALL·E 2,以其更加惊艳的效果和丰富的可玩性迅速占领了各大AI社区的头条。近年来,随着生成对抗网络(GAN)、变分自编码器(VAE)、扩散模型(Diffusion models)的出现,深度学习已向世人展现其强大的图像生成能力;加上GPT-3、BERT等NLP模型的成功,人类正逐步打破文本和图像的信息界限。在DALL·E 2中,只需输入简单的文本(prompt),它就可以生成多张1024*1024的高清图像。这些图像甚至

“Making large models smaller”这是很多语言模型研究人员的学术追求,针对大模型昂贵的环境和训练成本,陈丹琦在智源大会青源学术年会上做了题为“Making large models smaller”的特邀报告。报告中重点提及了基于记忆增强的TRIME算法和基于粗细粒度联合剪枝和逐层蒸馏的CofiPruning算法。前者能够在不改变模型结构的基础上兼顾语言模型困惑度和检索速度方面的优势;而后者可以在保证下游任务准确度的同时实现更快的处理速度,具有更小的模型结构。陈丹琦 普

Wav2vec 2.0 [1],HuBERT [2] 和 WavLM [3] 等语音预训练模型,通过在多达上万小时的无标注语音数据(如 Libri-light )上的自监督学习,显著提升了自动语音识别(Automatic Speech Recognition, ASR),语音合成(Text-to-speech, TTS)和语音转换(Voice Conversation,VC)等语音下游任务的性能。然而这些模型都没有公开的中文版本,不便于应用在中文语音研究场景。 WenetSpeech [4] 是

数据库系统的三级模式结构是指数据库系统由外模式、模式和内模式三级构成。模式也称逻辑模式,是所有用户的公共数据视图;外模式也称用户模式,是数据库用户的数据视图,是与某应用有关的数据的逻辑表示;内模式也称存储模式是数据在数据库内部的组织方式。

Redis:构建高可用性数据库系统的关键技术随着互联网的发展,大数据时代的到来,数据库系统的高可用性需求也愈发迫切。作为一种内存存储型的NoSQL数据库系统,Redis凭借其出色的性能和灵活的数据模型,成为构建高可用性数据库系统的关键技术之一。本文将深入探讨Redis的高可用性技术,并以具体的代码示例进行演示。一、Redis的高可用性需求在实际应

3月27号,Stability AI的创始人兼首席执行官Emad Mostaque在一条推文中宣布,Stable Diffusion XL 现已可用于公开测试。以下是一些事项:“XL”不是这个新的AI模型的官方名称。一旦发布稳定性AI公司的官方公告,名称将会更改。与先前版本相比,图像质量有所提高与先前版本相比,图像生成速度大大加快。示例图像让我们看看新旧AI模型在结果上的差异。Prompt: Luxury sports car with aerodynamic curves, shot in a

译者 | 李睿审校 | 孙淑娟近年来, Transformer 机器学习模型已经成为深度学习和深度神经网络技术进步的主要亮点之一。它主要用于自然语言处理中的高级应用。谷歌正在使用它来增强其搜索引擎结果。OpenAI 使用 Transformer 创建了著名的 GPT-2和 GPT-3模型。自从2017年首次亮相以来,Transformer 架构不断发展并扩展到多种不同的变体,从语言任务扩展到其他领域。它们已被用于时间序列预测。它们是 DeepMind 的蛋白质结构预测模型 AlphaFold

数据库、数据库系统、数据库管理系统三者之间的关系是:数据库系统包含数据库和数据库管理系统。数据库系统是带有数据库的计算机系统,一般由数据库、数据库管理系统(及其开发工具)、相关的硬件、软件和各类人员组成。


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

Dreamweaver CS6
視覺化網頁開發工具

SecLists
SecLists是最終安全測試人員的伙伴。它是一個包含各種類型清單的集合,這些清單在安全評估過程中經常使用,而且都在一個地方。 SecLists透過方便地提供安全測試人員可能需要的所有列表,幫助提高安全測試的效率和生產力。清單類型包括使用者名稱、密碼、URL、模糊測試有效載荷、敏感資料模式、Web shell等等。測試人員只需將此儲存庫拉到新的測試機上,他就可以存取所需的每種類型的清單。

Safe Exam Browser
Safe Exam Browser是一個安全的瀏覽器環境,安全地進行線上考試。該軟體將任何電腦變成一個安全的工作站。它控制對任何實用工具的訪問,並防止學生使用未經授權的資源。

EditPlus 中文破解版
體積小,語法高亮,不支援程式碼提示功能

mPDF
mPDF是一個PHP庫,可以從UTF-8編碼的HTML產生PDF檔案。原作者Ian Back編寫mPDF以從他的網站上「即時」輸出PDF文件,並處理不同的語言。與原始腳本如HTML2FPDF相比,它的速度較慢,並且在使用Unicode字體時產生的檔案較大,但支援CSS樣式等,並進行了大量增強。支援幾乎所有語言,包括RTL(阿拉伯語和希伯來語)和CJK(中日韓)。支援嵌套的區塊級元素(如P、DIV),