modelQA
建模Q&A
Q：系统支持哪些建模方式？
目前本系统支持以下下建模模型
- 三范式
- 雪花模型/星型模型
- 大宽表模型（不建议，问答效果非常死板且不方便一句话涉及多张事实表问答）
Q: 为什么要用三范式而不建议大宽表？
本系统进行建模的目的，是为了让系统真正“了解”业务。 如何让一个计算机系统了解人类的业务概念呢？总的来说，至少需要让系统知道散落在多张表里面的某一个东西，其实是一个概念。用AI的术语来说，是需要把同样的概念投射到同一个高维空间的向量中。主流AI通过训练来进行高维投影，而本系统通过实施人员的配置来实现高维投影。此做法的优劣不在本文档讨论范围之中。
我们以具体的例子来说明，假设有两张事件表，表A和表B，分别有个地理位置相关的字段，建模方式1的表结构如下：
建模方式1
事件A
| 日期 | 所属地区 | xx指标 |
|---|---|---|
| 2024-01-01 | 上海市 | 100 |
| 2024-01-01 | 北京市 | 100 |
事件B
| 日期 | 省 | xx指标 |
|---|---|---|
| 2024-01-01 | 上海 | 100 |
| 2024-01-01 | 北京 | 100 |
如果所属地区和省字段均为分类类型，则系统不认为两个上海是同一个概念。而会认为是两个同名但不同的概念。 正确的建模方式应该为：
地理位置实体
| id | 名称 |
|---|---|
| 001 | 上海市 |
| 002 | 北京市 |
事件A
| 日期 | 所属地区（实体类型） | xx指标 |
|---|---|---|
| 2024-01-01 | 001 | 100 |
| 2024-01-01 | 002 | 100 |
事件B
| 日期 | 省（实体类型） | xx指标 |
|---|---|---|
| 2024-01-01 | 001 | 100 |
| 2024-01-01 | 002 | 100 |
注：以上地理位置实体仅为说明问题，真实的地理位置远比此建模方式复杂。具体情况视频教程之地理位置部分。
Q: 事件中的分类一定要单独做一个实体表出来吗？我直接在事件表中用分类类型不行吗？
事件中的分类类型，有一个隐含的业务概念，即该分类的概念无法脱离于该事件而独立存在，属于必须依赖事件的存在而存在。需要按照实际情况选择使用分类还是实体。
Q: 实体和实体之间具有多对多的关系如何建模？
如果实体和实体之间具有多对多的关系，那么需要在事件表中同时记录该两个实体的数据。
Q: 建模的时候普通模式和专家模式什么区别?
普通模式比较直接明了，功能单一；专家模式代码类型的建模，需要有一定的基础，功能也更加丰富，能实现普通模式不具备的功能，如某个字段的正则匹配等，建模时通常需要两者结合使用