数据集产品

星环大数据基础平台（TDH) 是星环自主研发的一站式多模型大数据基础平台，包括多个大数据存储与分析产品，能够存储 PB 级别的海量数据，可以处理包括关系表、文本、时空地理、图数据、文档、时序、图像等在内的多种数据格式，提供高性能的查询搜索、实时分析、统计分析、预测性分析等数据分析功能。目前 TDH 已经在政府、金融、能源、制造业等十多个行业内落地，支撑如金融风控与营销、智慧制造、城市大脑、智慧交通等多种核心行业应用。

大模型数据集构建包括从多渠道收集海量数据，进行清洗、分词、标注等预处理，划分训练集、验证集和测试集，通过回译等方式增强数据，构建指令、对话、长文本等特定数据集，还涉及质量评估、优化、更新和维护。以下任务和模型需求，对数据进行标注，如分类任务中的类别标注、问答任务中的问题与答案标注等。标注工作可由专业人员或众包平台完成，但需保证标注的一致性和准确性。数据集划分训练集：用于训练大模型，使其学习语言知识和各种模式，通常占数据集的大部分，如80%左右。验证集：在训练过程中用于评估模型的性能，调整模型的超参数，一般占数据集的10%-20%。测试集：用于最终评估模型的泛化能力和性能表现，其数据应与训练集和验证集相互独立，占数据集的10%左右。数据增强回译：将文本从一种语言翻译成另一种语言，再翻译回原语言，以增加数据的多样性和语言表达的丰富性。同义词替换：用同义词替换文本中的某些词语，生成语义相近但表达方式不同的新文本。随机插入、删除和替换：在文本中随机插入、删除或替换一些单词或字符，模拟自然语言中的各种变化，但要注意保持文本的语义完整性和连贯性。构建特定类型的数据集指令数据集：通过设计各种指令和

大模型数据集构建包括从多渠道收集海量数据，进行清洗、分词、标注等预处理，划分训练集、验证集和测试集，通过回译等方式增强数据，构建指令、对话、长文本等特定数据集，还涉及质量评估、优化、更新和维护。以下任务和模型需求，对数据进行标注，如分类任务中的类别标注、问答任务中的问题与答案标注等。标注工作可由专业人员或众包平台完成，但需保证标注的一致性和准确性。数据集划分训练集：用于训练大模型，使其学习语言知识和各种模式，通常占数据集的大部分，如80%左右。验证集：在训练过程中用于评估模型的性能，调整模型的超参数，一般占数据集的10%-20%。测试集：用于最终评估模型的泛化能力和性能表现，其数据应与训练集和验证集相互独立，占数据集的10%左右。数据增强回译：将文本从一种语言翻译成另一种语言，再翻译回原语言，以增加数据的多样性和语言表达的丰富性。同义词替换：用同义词替换文本中的某些词语，生成语义相近但表达方式不同的新文本。随机插入、删除和替换：在文本中随机插入、删除或替换一些单词或字符，模拟自然语言中的各种变化，但要注意保持文本的语义完整性和连贯性。构建特定类型的数据集指令数据集：通过设计各种指令和

应用和社会治理。企业数据数据集：企业在生产经营活动中积累的大量数据，包括客户数据、产品数据、销售数据、供应链数据等。企业可以将自身的部分数据进行整理和包装，形成有价值的数据集，通过数据交易平台或与数据要素流通数据集是在数据要素流通场景下，经过采集、整理、加工等处理后，用于在不同主体之间进行共享、交换、交易等流通的数据集合，以下是具体介绍：常见类型公共数据数据集：由政府部门、公共机构在履行职责其他企业进行合作等方式进行流通，以实现数据的商业价值，如获取新的业务机会、优化业务流程、提升用户体验等。个人数据数据集：涉及个人的身份信息、行为数据、偏好数据等。在确保个人隐私和数据安全的前提下，经过个人授权，这些数据可以被收集和整合形成数据集，参与到数据要素流通中，例如在精准营销、个性化推荐等领域发挥作用。作用和意义促进创新：不同来源、不同类型的数据通过流通汇聚在一起，能够为科研人员、企业创新者等提供：数据要素流通数据集是数据产业的重要基础，能够带动数据采集、标注、存储、分析、交易等相关产业的发展，形成完整的数据产业链，为经济增长注入新动力。

应用和社会治理。企业数据数据集：企业在生产经营活动中积累的大量数据，包括客户数据、产品数据、销售数据、供应链数据等。企业可以将自身的部分数据进行整理和包装，形成有价值的数据集，通过数据交易平台或与数据要素流通数据集是在数据要素流通场景下，经过采集、整理、加工等处理后，用于在不同主体之间进行共享、交换、交易等流通的数据集合，以下是具体介绍：常见类型公共数据数据集：由政府部门、公共机构在履行职责其他企业进行合作等方式进行流通，以实现数据的商业价值，如获取新的业务机会、优化业务流程、提升用户体验等。个人数据数据集：涉及个人的身份信息、行为数据、偏好数据等。在确保个人隐私和数据安全的前提下，经过个人授权，这些数据可以被收集和整合形成数据集，参与到数据要素流通中，例如在精准营销、个性化推荐等领域发挥作用。作用和意义促进创新：不同来源、不同类型的数据通过流通汇聚在一起，能够为科研人员、企业创新者等提供：数据要素流通数据集是数据产业的重要基础，能够带动数据采集、标注、存储、分析、交易等相关产业的发展，形成完整的数据产业链，为经济增长注入新动力。

大模型的训练数据集是其性能和泛化能力的关键。常见类型文本数据：是大模型训练中最常见且基础的一种数据类型。包括新闻报道、小说、论文、百科知识、社交媒体帖子、评论等各种文本来源。例如，大量的新闻文章能够、监控摄像头等。音频数据：包括语音、音乐、环境声音等。例如，语音数据集可以是人们日常对话、演讲、广播等的录音，通过对这些数据的学习，模型能够实现语音识别、语音合成等功能；音乐数据集则包含各种风格、类型的音乐曲目，可用于音乐创作、音乐风格分类等任务；环境声音数据集如风声、雨声、车辆行驶声等，有助于模型对不同环境声音的识别和理解。视频数据：由一系列连续的图像帧和对应的音频组成，来源广泛，如电影、电视剧收集数据，并进行加工处理，提供高质量的训练数据集。企业自有数据：许多企业在自身的业务运营过程中积累了大量的数据，如电商企业的交易记录、用户评价数据，金融机构的客户交易数据、信用记录等。这些数据具有特定多维度标注，以提供更丰富的语义信息。数据划分：将经过清洗和标注的数据划分为训练集、验证集和测试集。训练集用于模型的训练，验证集用于在训练过程中调整模型的参数和评估模型的性能，测试集则用于最终对模型的性能进行评估和比较。

大模型的训练数据集是其性能和泛化能力的关键。常见类型文本数据：是大模型训练中最常见且基础的一种数据类型。包括新闻报道、小说、论文、百科知识、社交媒体帖子、评论等各种文本来源。例如，大量的新闻文章能够、监控摄像头等。音频数据：包括语音、音乐、环境声音等。例如，语音数据集可以是人们日常对话、演讲、广播等的录音，通过对这些数据的学习，模型能够实现语音识别、语音合成等功能；音乐数据集则包含各种风格、类型的音乐曲目，可用于音乐创作、音乐风格分类等任务；环境声音数据集如风声、雨声、车辆行驶声等，有助于模型对不同环境声音的识别和理解。视频数据：由一系列连续的图像帧和对应的音频组成，来源广泛，如电影、电视剧收集数据，并进行加工处理，提供高质量的训练数据集。企业自有数据：许多企业在自身的业务运营过程中积累了大量的数据，如电商企业的交易记录、用户评价数据，金融机构的客户交易数据、信用记录等。这些数据具有特定多维度标注，以提供更丰富的语义信息。数据划分：将经过清洗和标注的数据划分为训练集、验证集和测试集。训练集用于模型的训练，验证集用于在训练过程中调整模型的参数和评估模型的性能，测试集则用于最终对模型的性能进行评估和比较。

大模型的训练数据集是其性能和泛化能力的关键。常见类型文本数据：是大模型训练中最常见且基础的一种数据类型。包括新闻报道、小说、论文、百科知识、社交媒体帖子、评论等各种文本来源。例如，大量的新闻文章能够、监控摄像头等。音频数据：包括语音、音乐、环境声音等。例如，语音数据集可以是人们日常对话、演讲、广播等的录音，通过对这些数据的学习，模型能够实现语音识别、语音合成等功能；音乐数据集则包含各种风格、类型的音乐曲目，可用于音乐创作、音乐风格分类等任务；环境声音数据集如风声、雨声、车辆行驶声等，有助于模型对不同环境声音的识别和理解。视频数据：由一系列连续的图像帧和对应的音频组成，来源广泛，如电影、电视剧收集数据，并进行加工处理，提供高质量的训练数据集。企业自有数据：许多企业在自身的业务运营过程中积累了大量的数据，如电商企业的交易记录、用户评价数据，金融机构的客户交易数据、信用记录等。这些数据具有特定多维度标注，以提供更丰富的语义信息。数据划分：将经过清洗和标注的数据划分为训练集、验证集和测试集。训练集用于模型的训练，验证集用于在训练过程中调整模型的参数和评估模型的性能，测试集则用于最终对模型的性能进行评估和比较。

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...

在Hippo中，比较耗时的操作如激活、加载向量索引实际上是一个分布式任务，用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果：{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...

查看Master节点通过以下命令，查看集群Master节点信息：curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果：epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址，支持以*通配，支持指定多个pattern，多个pattern以逗号分割返回结果：

本节测试主要描述了Hippo1.0在关键测试上的一些性能表现，该份测试同样也是Hippo的基准测试，后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq)，所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集，不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理，使用SIFT算法得到的图片特征向量。...

运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息，包括：Masterstatus：当前的ActiveMaster，MasterGroup，MasterAddress，Master的健康状态TabletServerStatus：TabletServerAddress，健康状态，逻辑机架和数据中心信息，容量使用以及Tablet个数TabletNum：当前集群表的个数Version：Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息：库名库创建时间库内各类表的信息：点击某个库，可以看到库下所有表的信息，主要包括：••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...

Hippo在1.2版本提供了全文索引能力，兼容ElasticSearch6.7.2语法，在底层架构上复用了公司产品TranswarpScope的一部分特性，支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求，通过该能力的支持，可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文更高的精度。同时，一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外，均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。

本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数，如果出现行级错误（比如主键冲突），Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...

过滤条件表达式Hippo当前支持如下表达式，可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and，不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符，'%'表示匹配任意字符，'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离，返回最相似的结果集。通过指定标量过滤条件，用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...