一种基于维度模型建模的text2sql优化方法与流程

1.本发明涉及自然语言处理
技术领域：
：，尤其涉及一种基于维度模型建模的text2sql优化方法。
背景技术：
：：2.在现实生活中，有许许多多的数据库，存储着各行各业的信息，sql是一种数据库查询语言，具有极大的灵活性和强大的功能，但是sql学习门槛比较高，对于计算机从业者来说，想要针对不同的数据库和应用场景，编写大量的并保证正确率的sql语句，也比较麻烦。如果我们能够有一个工具，自动地把我们的描述转化为sql查询语句，再交给计算机去执行，就能方便地对数据库进行查询，那就大大提高了我们的生活和工作效率。3.text-to-sql就是这样一项转化自然语言描述为sql查询语句的技术，text2sql(texttosql)是自然语言理解语义解析领域的任务，目标是在给定关系型数据库(或表)的前提下，将用户的自然语言直接转换成可执行查询的sql查询语句，它打破了人与结构化数据库之间的壁垒，为不熟悉业务表或查询语言的用户提供了与数据库交互的工具，提升了用户工作效率和结构化数据的价值。4.早期的text2sql任务需要人工制定固定的规则，缺乏语义层面的理解，而且缺少迁移性和扩展性；然后是流水线的方法，流水线方法不能直接生成sql,是通过中间表达推断出sql语句，不能处理复杂的用户输入，模型效果不好；最后是基于深度学习的算法，encoder-decoder框架成为主流，encoder应用神经网络对自然语言做语义编码和交互，decoder使用语法规则或神经网络进行端到端的解码输出。5.当前基于深度学习的算法在单表text2sql任务上表现良好，但需要大量的训练数据，在多表联合查询时表现差强人意，另外当前text2sql算法主要从模型角度优化识别效果，因为在多表联合查询时，需要模型更好的构建text和sql之间的映射关系，更好的利用表格中的属性，更加关注解码的过程，但是很少从数据角度出发降低任务难度。技术实现要素：6.本发明的目的在于克服现有的text2sql方法在多表联合查询时任务难度大，查询精确率低的问题，提出一种基于维度模型建模的text2sql优化方法，可以降低在多表联合查询时的任务难度，提高查询精确率。7.为了实现上述目的，本发明采用了如下技术方案：8.一种基于维度模型建模的text2sql优化方法，优化方法包括以下步骤：9.s1：分析text2sql应用业务场景，定义应用领域，搜集能力问题集，确定数据需求和业务过程；10.s2：结合领域知识，将步骤s1中搜集的能力问题集进行切词处理，梳理出关键词并归纳成实体，列出实体表；11.s3：根据实体表，结合步骤s1中的能力问题集确定维度模型数模的事实、维度以及对应的属性；12.s4：根据步骤s3中维度模型构建维度模型总线矩阵；13.s5：结合步骤s2中实体表，对步骤s3中维度模型构建实体信息表，并把实体信息表转化为实体词典；14.s6：构建基于词典的命名实体识别模型，识别问句中的实体、涉及的表、关联条件、查询条件和分组字段；15.s7：构建聚合函数判断模型识别聚合函数和聚合实体字段；16.s8：根据步骤s6和步骤s7的识别结果转化为可执行的sql查询语句。17.进一步的，步骤s1中，能力问题集是能够回答的问题列表。18.进一步的，步骤s3中，根据实体表和原始的实体-关系建模表，结合能力问题集中的业务过程，按照维度建模的思想，把原始的实体-关系模型转换为包含事实表和维度表的维度模型。19.进一步的，步骤s3中，维度模型建模包括以下步骤：20.s3.1：选择业务过程，业务过程定义了特定的设计目标、粒度、维度和事实；21.s3.2：声明粒度，粒度是所选择的业务过程中事实表的度量的含义；22.s3.3：确认维度及对应的属性，其中维度是对事实表中事件的要素的描述信息，属性是用于过滤及分类事实的描述；23.s3.4：确认事实，事实是业务过程事件的度量，一个事实表行与按照事实表粒度描述的度量事件间存在一对一关系。24.进一步的，步骤s4中，构建维度模型总线矩阵，包括明确业务过程的种类、明确各业务过程相关的维度，在业务过程增加两列用于区分业务过程事件的粒度和度量。25.进一步的，步骤s5中，每个实体均包含以下信息：实体词首字符、实体词、数据库中具体的实体值对应维度表的属性值或事实表的事实、实体在维度模型中字段名称、实体在维度模型中所在维度表名称或事实表名称。26.进一步的，步骤s6中具体包含以下步骤：27.s6.1：对问句进行字符切分形成字符序列，把第1个字符作为首字符与实体词典进行匹配；若没有匹配到实体中的某实体，则输出该字符；28.s6.2：如果首字符匹配到实体中的某实体，则组合字符序列中它后面的字符形成实体词，然后再和实体词典进行匹配，若匹配到则继续组合后面的字符匹配实体，直至匹配到实体中的最长实体并返回；若未匹配则输出该字符；29.s6.3：从返回的实体或字符的后面字符开始，重复执行第1和第2步，直至遍历完字符序列所有字符，返回所有实体和其他不是实体的字符。30.进一步的，步骤s7中，具体包括以下步骤：31.s7.1：bert预训练模型把实体识别结果转换成向量，用来表示该句子；32.s7.2：深度学习嵌入模把实体识别结果转换成向量，用来表示该句子；33.s7.3：把基于bert预训练模型嵌入表示的向量和基于深度学习嵌入表示的向量拼接在一起，共同来表示该句的含义；34.s7.4：根据任务需求，不断训练调整拼接向量和transformer模型，识别出句子中的聚合函数和聚合实体字段并返回。35.进一步的，步骤s8中，将步骤s6识别的问句中的实体、涉及的表、关联条件、查询条件和分组字段和步骤s7识别的聚合函数和聚合实体，解析为可执行的sql查询语句。36.进一步的，优化方法还包括步骤s9：实体信息表维护更新。37.与现有技术相比，本发明提供的基于维度模型建模的text2sql优化方法，有以下有益效果：38.1.本发明提供的基于维度模型建模的text2sql优化方法，没有采用传统的实体-关系模型，而是采用维度模型。可以简化模板匹配算法中sql模板的复杂度，从而降低text2sql问题的难度。同时，将维度模型中的维度、属性、属性值与基于字典的实体识别算法中的词典概念进行类比映射，以降低词典构建的难度。采用维度模型从数据角度出发降低任务难度，从而提高text2sql的转换效率和准确率，提高用户工作效率。39.2.本发明提供的基于维度模型建模的text2sql优化方法，采用基于实体词典的实体识别，首先，结合领域，将能力问题集进行切词处理，梳理出关键词并归纳成实体，列出实体表，并结合维度模型将实体表转化为实体词典，每个实体均包含实体词首字符、实体词、数据库中具体的实体值对应维度表的属性值或事实表的事实、实体在维度模型中字段名称、实体在维度模型中所在维度表名称或事实表名称等信息。40.其中，实体词首字符、实体词能便于更好的识别出字符为实体或者多个字符可以组合成一个实体，数据库中具体的实体值对应维度表的属性值或事实表的事实、实体在维度模型中字段名称、实体在维度模型中所在维度表名称或事实表名称等便于对应到实体对应的事实表或者属性表。提高提高识别精确度，也使命名实体识别模块更易于维护。41.3.结合维度模型中维度表的概念特性，维度表中属性值与问句中实体直接相关，而且通常属性值属于离散数据。因此本发明使用维度表生成命名实体识别的实体词典亦即实体信息表，便于进行实体的识别。42.4.结合维度模型中实体表的概念特性，事实表中度量与问句意图直接相关，而且问句通常不会体现具体的度量值而是需要体现度量的汇总方式，并且一个场景中常常不会有太多度量类型。因此本发明使用文本分类算法判断聚合函数和聚合实体字段。附图说明43.图1为本发明提供的基于维度模型建模的text2sql优化方法的流程图；44.图2为本发明中实体识别过程示意图；45.图3为本发明中聚合函数和聚合实体字段判断过程示意图；46.图4为text2sql解析器工作流程图；47.图5为基于词典的实体识别结果图；48.图6为聚合函数识别和聚合实体识别结果图；49.图7为信息抽取结果合并图；50.图8为转换sql关键信息键值对图；51.图9为把sql关键信息键值对对应解析为可执行的sql图；52.图10为查询结果图。具体实施方式53.下面结合附图对本发明的具体实施方式做进一步说明。54.请参考图1-4，图1为本发明提供的基于维度模型建模的text2sql优化方法的流程图；图2为本发明中实体识别过程示意图；图3为本发明中聚合函数和聚合实体字段判断过程示意图；图4为text2sql解析器工作流程图。55.本发明提供的基于维度模型建模的text2sql优化方法，优化方法包括以下步骤：56.s1：分析text2sql应用业务场景，定义应用领域，搜集能力问题集，确定数据需求和业务过程；57.s2：结合领域知识，将步骤s1中搜集的能力问题集进行切词处理，梳理出关键词并归纳成实体，列出实体表；58.s3：根据实体表，结合步骤s1中的能力问题集确定维度模型数模的事实、维度以及对应的属性；59.s4：根据步骤s3中维度模型构建维度模型总线矩阵；60.s5：结合步骤s2中实体表，对步骤s3中维度模型构建实体信息表，并把实体信息表转化为实体词典；61.s6：构建基于词典的命名实体识别模型，识别问句中的实体、涉及的表、关联条件、查询条件和分组字段；62.s7：构建聚合函数判断模型识别聚合函数和聚合实体字段；63.s8：根据步骤s6和步骤s7的识别结果转化为可执行的sql查询语句。64.进一步的，步骤s1中，分析text2sql应用业务场景，定义应用领域，可以采用客户叙述小故事的形式，也就是用户故事的形式，确定需求和任务，从而定义涉及的领域。65.根据用户故事，搜集能力问题集，能力问题集是能够回答的问题列表，从而明确对应的数据需求和业务过程，业务过程是组织完成的操作型活动，因此应该收集尽可能多的用户故事。66.步骤s2中，结合领域知识，将步骤s1中搜集的能力问题集进行切词处理，梳理出关键词并归纳成实体，列出实体表，对能力问题进行切词处理。切词属于自然语言处理技术范畴，对于一句话，人可以通过自己的知识来明白哪些是词，哪些不是词，但是计算机就不能准确识别，需要将字符串进行切词处理，以便于计算机能知晓某些字符串可以组成词，切词要结合领域知识，特别是一些专业名词要根据专业知识进行切词。67.步骤s3中，结合步骤s1中的能力问题集确定维度模型数模的事实、维度以及对应的属性；具体的，根据实体表和原始的实体-关系建模表，结合能力问题集中的业务过程，按照维度建模的思想，把原始的实体-关系模型转换为包含事实表和维度表的维度模型。68.维度建模，就是将我们的每一个业务过程，拆分为事实表和维度表，事实表对应着具体的指标度量，维度表对应着事实的描述，状态，也就事实对应的环境。维度模型由一系列含有数值型度量的事实表组成，而事实表中的数值型度量则被一系列带有文本形式上下文的维度表所环绕。事实表是指其中保存了大量业务度量数据的表，是最核心的表。事实表示的是某一个业务度量。比如说台区的线损率，故障率、故障时长等。维度模型中的事实表存放的就是这些业务度量，也就是业务过程中事件的性能度量结果。维度是事实不可或缺的组成部分，维度就是事实的上下文，也就是用来描述事实发生时某个方面对应的状态，像是时间维度、台区维度、地区维度、异常维度等。69.维度模型是把客观的事实数据和主观的描述数据分开来实现对业务计算的简化过程，本质上是把描述性数据去规范化，以使查询的方法和逻辑变得简单。70.本发明提供的基于维度模型建模的text2sql优化方法，没有采用传统的实体-关系模型，而是采用维度模型，实体-关系建模是面向应用，遵循第三范式，以消除数据冗余为目标的设计技术。维度建模是面向分析，为了提高查询性能可以增加数据冗余，反规范化的设计技术。采用维度模型从数据角度出发降低任务难度，从而提高text2sql的转换效率和准确率，提高用户工作效率。71.步骤s3中，维度模型建模包括以下步骤：72.s3.1：选择业务过程，业务过程定义了特定的设计目标、粒度、维度和事实；73.s3.2：声明粒度，粒度是所选择的业务过程中事实表的度量的含义；74.s3.3：确认维度及对应的属性，其中维度是对事实表中事件的要素的描述信息，属性是用于过滤及分类事实的描述；75.s3.4：确认事实，事实是业务过程事件的度量，一个事实表行与按照事实表粒度描述的度量事件间存在一对一关系。事实表中的度量值一般称为事实。通常，最有用的事实就是数字类型的事实和可加类型的事实。76.进一步的，步骤s4中，构建维度模型总线矩阵，包括明确业务过程的种类、明确各业务过程相关的维度，在业务过程增加两列用于区分业务过程事件的粒度和度量。其中维度是一致性维度，不同的业务过程可以共享维度；总线矩阵的每一行代表一个业务过程事件。以配电网络采集线损管理数据分析为例，构建配电网络采集线损管理数据的维度模型总线矩阵如表1所示。77.表1配电网络采集线损管理数据的维度模型总线矩阵[0078][0079]说明y代表包含该维度，n代表不包含。[0080]步骤s5中，每个实体均包含以下信息：实体词首字符、实体词、数据库中具体的实体值对应维度表的属性值或事实表的事实、实体在维度模型中字段名称、实体在维度模型中所在维度表名称或事实表名称。实体词典结构是一个字典类型，每一个实体对应一个包含实体信息表信息的字典。表2为实体信息表的结构。[0081]表2实体信息表的结构[0082][0083]结合维度模型中维度表的概念特性，维度表中属性值与问句中实体直接相关，而且通常属性值属于离散数据。因此本发明使用维度表生成命名实体识别的实体词典亦即实体信息表，便于进行实体的识别。[0084]实体词首字符、实体词能便于更好的识别出字符为实体或者多个字符可以组合成一个实体，数据库中具体的实体值对应维度表的属性值或事实表的事实、实体在维度模型中字段名称、实体在维度模型中所在维度表名称或事实表名称等便于对应到实体对应的事实表或者属性表。提高提高识别精确度，也使命名实体识别模块更易于维护。[0085]步骤s6中，实体识别过程的输入是某问句，包含t1,t2,…,tn个字符；包含所要本领域实体的词典，实体表示为c1,c2,…,cm。[0086]实体识别过程的输出为：识别出问句中所有实体，及其他不是实体的字符，以及涉及的表、关联条件、查询条件和分组字段。[0087]具体包含以下步骤：[0088]s6.1：对问句进行字符切分形成字符序列，把第1个字符作为首字符与实体词典进行匹配；若没有匹配到词典中的某实体，则输出该字符；[0089]s6.2：如果首字符匹配到实体中的某实体，则组合字符序列中它后面的字符形成实体词，然后再和实体词典进行匹配，若匹配到则继续组合后面的字符匹配实体，直至匹配到实体中的最长实体并返回；若未匹配则输出该字符；[0090]s6.3：从返回的实体或字符的后面字符开始，重复执行第1和第2步，直至遍历完字符序列所有字符，返回所有实体和其他不是实体的字符。[0091]步骤s7中，聚合函数和聚合字段识别过程的输入为：问句基于词典的命名实体识别结果[t1,实体类1,…,实体类2，tn]，它是一个序列，其中t1是非实体字符，实体类1是实体。[0092]输出为：识别出句子中的聚合函数和聚合实体字段。[0093]具体包括以下步骤：[0094]s7.1：bert预训练模型把实体识别结果转换成向量，用来表示该句子，向量包含单词向量和句子嵌入向量，能够体现语句的上下文语义信息；[0095]s7.2：深度学习嵌入模把实体识别结果转换成向量，用来表示该句子；[0096]s7.3：把基于bert预训练模型嵌入表示的向量和基于深度学习嵌入表示的向量拼接在一起，共同来表示该句的含义；[0097]s7.4：根据任务需求，不断训练调整拼接向量和transformer模型，识别出句子中的聚合函数和聚合实体字段并返回。[0098]聚合函数判别模型是构建的基于bert嵌入和深度学习嵌入的文本分类模型，把聚合函数和聚合实体识别问题转化为文本分类分类预测问题。需要根据能力问题集，对每个能力问题集的聚合函数及聚合的实体打上标签，分成训练集、验证集和测试集；构建多层的深度学习模型；输入训练集数据训练模型，然后根据验证集不断验证模型效果、优化模型参数，直至达到一定阈值为止；然后根据测试集来评估模型的预测效果，若效果不好，则需调整模型结构或新增语料重新训练模型，直至测试集评估指标满足应用要求；最终根据训练好的模型对输入的语句进行聚合函数识别和聚合实体识别。[0099]结合维度模型中实体表的概念特性，事实表中度量与问句意图直接相关，而且问句通常不会体现具体的度量值而是需要体现度量的汇总方式，并且一个场景中常常不会有太多度量类型。因此本发明使用文本分类算法判断聚合函数和聚合实体字段。[0100]步骤s8中，将步骤s6识别的问句中的实体、涉及的表、关联条件、查询条件和分组字段和步骤s7识别的聚合函数和聚合实体，解析为可执行的sql查询语句。[0101]优化方法还包括步骤s9：实体信息表维护更新，包括但不限于线上维护过程中新词添加。具体的，线上运维人员搜集近义词对并调用相关程序添加到实体信息表中。词对包括新词以及对应的原词两部分。把词对添加到实体信息表的程序过程如下：[0102]s9.1：查询实体信息表判断是否存在实体别名alias等于新词而实体值value等于原词的数据已在实体信息表中。如果没有则进行下一步。[0103]s9.2：查询实体信息表判断是否存在实体别名等于原词的数据，如果无，则返回提示语表示实体值不存在。因为，待添加此对的原词有可能是某实体值的别名。而实体信息表初始化时，已经有一个实体值与实体别名一样的数据记录。[0104]s9.3：如果实体值存在于一个或多条记录，则查询并复制出这些记录。然后把记录的实体别名替换为新词并把实体首字符替换成新词首字符。[0105]具体实施例：[0106]本发明技术方案应用到变压器台区中，查询台区累计接线异常最多时，实现过程如下：[0107]1.输入问句sent＝'哪个台区本月累计错接线异常最多'[0108]2.基于词典的实体识别，识别结果如图5所示。根据基于词典的实体识别方法识别该问句，识别出问句中的实体值[台区，本月，错接线异常]，并转换为对应的实体名[tg_id,this_month_flag,abn_reason]。根据实体名和实体值从词典中提取所在的表名。[0109]3.基于bert嵌入和实体类型嵌入的聚合函数识别和实体识别，识别结果如图6所示。根据模型识别出对应的聚合函数sum和聚合字段实体名abn_nums。[0110]4.合并2、3步识别的信息抽取结果，合并结果如图7所示。[0111]5.sql语句生成与查询[0112]把第4步抽取的信息转换成sql关键信息键值对，生成过程如图8所示。[0113]包括输出列output_cols,涉及的表tables,筛选条件filters,多表的关联关系join_operations,分组字段group_by_cols,排序字段order_by_cols以及排序顺序descend。[0114]把sql关键信息键值对对应解析为可执行的sql，解析过程如图9所示。[0115]解析为可执行的sql语句并执行，返回满足筛选条件的查询结果，查询结果如图10所示。[0116]以上仅就本发明的最佳实施例作了说明，但不能理解为是对权利要求的限制。本发明不仅限于以上实施例，其具体结构允许有变化。但凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。[0117]除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的
技术领域：
：的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。当前第1页12当前第1页12
技术特征：
1.一种基于维度模型建模的text2sql优化方法，其特征在于，所述优化方法包括以下步骤：s1：分析text2sql应用业务场景，定义应用领域，搜集能力问题集，确定数据需求和业务过程；s2：结合领域知识，将步骤s1中搜集的能力问题集进行切词处理，梳理出关键词并归纳成实体，列出实体表；s3：根据实体表，结合步骤s1中的能力问题集确定维度模型数模的事实、维度以及对应的属性；s4：根据步骤s3中维度模型构建维度模型总线矩阵；s5：结合步骤s2中实体表，对步骤s3中维度模型构建实体信息表，并把实体信息表转化为实体词典；s6：构建基于词典的命名实体识别模型，识别问句中的实体、涉及的表、关联条件、查询条件和分组字段；s7：构建聚合函数判断模型识别聚合函数和聚合实体字段；s8：根据步骤s6和步骤s7的识别结果转化为可执行的sql查询语句。2.根据权利要求1所述的一种基于维度模型建模的text2sql优化方法，其特征在于，步骤s1中，所述能力问题集是能够回答的问题列表。3.根据权利要求1所述的一种基于维度模型建模的text2sql优化方法，其特征在于，步骤s3中，根据实体表和原始的实体-关系建模表，结合能力问题集中的业务过程，把原始的实体-关系模型转换为包含事实表和维度表的维度模型。4.根据权利要求3所述的一种基于维度模型建模的text2sql优化方法，其特征在于，步骤s3中，维度模型建模包括以下步骤：s3.1：选择业务过程，业务过程定义了特定的设计目标、粒度、维度和事实；s3.2：声明粒度，粒度是所选择的业务过程中事实表的度量的含义；s3.3：确认维度及对应的属性，其中维度是对事实表中事件的要素的描述信息，属性是用于过滤及分类事实的描述；s3.4：确认事实，事实是业务过程事件的度量，一个事实表行与按照事实表粒度描述的度量事件间存在一对一关系。5.根据权利要求4所述的一种基于维度模型建模的text2sql优化方法，其特征在于，步骤s4中，构建维度模型总线矩阵，包括明确业务过程的种类、明确各业务过程相关的维度，在业务过程增加两列用于区分业务过程事件的粒度和度量。6.根据权利要求1所述的一种基于维度模型建模的text2sql优化方法，其特征在于，步骤s5中，每个实体均包含以下信息：实体词首字符、实体词、数据库中具体的实体值对应维度表的属性值或事实表的事实、实体在维度模型中字段名称、实体在维度模型中所在维度表名称或事实表名称。7.根据权利要求1所述的一种基于维度模型建模的text2sql优化方法，其特征在于，步骤s6中具体包含以下步骤：s6.1：对问句进行字符切分形成字符序列，把第1个字符作为首字符与实体词典进行匹配；若没有匹配到实体中的某实体，则输出该字符；
s6.2：如果首字符匹配到实体中的某实体，则组合字符序列中它后面的字符形成实体词，然后再和实体词典进行匹配，若匹配到则继续组合后面的字符匹配实体，直至匹配到实体中的最长实体并返回；若未匹配则输出该字符；s6.3：从返回的实体或字符的后面字符开始，重复执行第1和第2步，直至遍历完字符序列所有字符，返回所有实体和其他不是实体的字符。8.根据权利要求7所述的一种基于维度模型建模的text2sql优化方法，其特征在于，步骤s7中，具体包括以下步骤：s7.1：bert预训练模型把实体识别结果转换成向量；s7.2：深度学习嵌入模把实体识别结果转换成向量；s7.3：把基于bert预训练模型嵌入表示的向量和基于深度学习嵌入表示的向量拼接在一起；s7.4：根据任务需求，不断训练调整拼接向量和transformer模型，识别出句子中的聚合函数和聚合实体字段并返回。9.根据权利要求8所述的一种基于维度模型建模的text2sql优化方法，其特征在于，步骤s8中，将步骤s6识别的问句中的实体、涉及的表、关联条件、查询条件和分组字段和步骤s7识别的聚合函数和聚合实体，解析为可执行的sql查询语句。10.根据权利要求1所述的一种基于维度模型建模的text2sql优化方法，其特征在于，所述优化方法还包括步骤s9：实体信息表维护更新。

技术总结
本发明提供一种基于维度模型建模的text2sql优化方法，包括以下步骤：S1：分析text2sql应用业务场景，定义应用领域，搜集能力问题集，确定数据需求和业务过程；S2：将能力问题集进行切词处理，列出实体表；S3：确定维度模型数模的事实、维度以及对应的属性；S4：根据维度模型构建维度模型总线矩阵；S5：对维度模型构建实体信息表，并把实体信息表转化为实体词典；S6：构建基于词典的命名实体识别模型，识别问句中的实体、涉及的表、关联条件、查询条件和分组字段；S7：构建聚合函数判断模型识别聚合函数和聚合实体字段；S8：根据步骤S6和步骤S7的识别结果转化为可执行的sql查询语句。可以简化模板匹配算法中sql模板的复杂度，同时降低词典构建的难度。降低词典构建的难度。降低词典构建的难度。


技术研发人员：井友鼎 王旭峰 杜创胜 黄加军 邓攀 郝增财 温强 蔡鹏超
受保护的技术使用者：河南合众伟奇云智科技有限公司
技术研发日：2023.04.11
技术公布日：2023/7/12