第六章总结

本文详细介绍了数据库规范化的基本概念,包括第一范式、函数依赖、候选码等,并探讨了如何通过理解这些概念进行有效的数据库设计。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

各种定义:

第一范式:作为一个二维表,关系要符合一个最基本的条件:每一个分量必须是不可分的数据项,满足了这个条件的关系模式就属于第一范式
函数依赖 :在这里插入图片描述
完全与部分函数依赖:在这里插入图片描述
传递函数依赖:在这里插入图片描述
候选码与主码:在这里插入图片描述
外码:
在这里插入图片描述
2NF:在这里插入图片描述
3NF:在这里插入图片描述
BCNF;在这里插入图片描述
平凡多值依赖:在这里插入图片描述
在这里插入图片描述
4NF:
在这里插入图片描述
规范化的基本步骤:
在这里插入图片描述
后来补充学习了闭包;
在这里插入图片描述
4类:
在这里插入图片描述
定理和推论:
在这里插入图片描述
通过这个定理和推论就可以比较轻松的找出候选码从而更简单的做题。

基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值