hibernate一对一主键关联单向(二)

本文详细解析了一对一主键单向引用与双向关联的概念,包括如何在User和Car实体间建立正确的关系,以及在Hibernate中如何配置这些关联。

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

一对一主键单向引用

User 和car的一对一,car id主键引用user id作为外键。card实体可以访问user实体,但是反之不行(单向)。

publicclassCardimplements Serializable {

   privateIntegerid;

   privateStringinfo;

private Useruser;

 

 

publicclassUserimplements Serializable {

   privateIntegerid;

   privateStringname;

   privateIntegerage;

 

<class name="org.hibernate.tutorial.domain.Card" table="card">

   <idname="id"type="java.lang.Integer"column="id">

       <generatorclass="foreign">

        <paramname="property">user</param>

        </generator>

     </id>

   <propertyname="info"type="java.lang.String"column="info"length="255"/>

   <!-- Associations -->

<one-to-onename="user"class="org.hibernate.tutorial.domain.User"/>

</class>

 

User.hbm.xml中将one-to-one配置注释掉。

Useruser=newUser();

            user.setName("Lucy24");

            user.setAge(19);

            Cardcard=newCard();

            card.setInfo("card");

            card.setUser(user);

            session.save(card);

大概是因为关联关系由card维护,插入card实体的时候,hibernate知道对应的user是哪一个,而新的user实体插入的时候id是自增长而且无外键约束所以可以自动生成并成功插入。之前的一对一配置card插入时需要知道id,并且外键约束userid,而一对一关系由user维护,所以无法插入card。以上解释都是自我猜测。


一对一主键双向关联,在user和card中都配置对方实例,这样就不会有(一)中的card找不到对应的user实例的问题。

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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