前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Compass Framework 0.8 + Lucene Jdbc Directory (翻译tss)

Compass Framework 0.8 + Lucene Jdbc Directory (翻译tss)

作者头像
田春峰-JCJC错别字检测
发布于 2022-05-07 08:49:17
发布于 2022-05-07 08:49:17
2790
举报

Compass Framework 0.8 + Lucene Jdbc Directory

发布者:Shay Banon on January 10, 2006 @ 08:24 PM

我们很荣幸的宣布Compass Framework 0.8.0 发布了。这是一个基于 Lucene 的java 搜索引擎框架。这个发布版本的主要特色是:可以把Lucene 索引存储在一个数据库中。 为了能够存储Lucene 索引文件在数据库中,主要实现了2个部分: 一个完全的 Lucene Jdbc Directory implementation ,这部分代码完全独立于Compass 的他其模块,可以使用在纯Lucene实现的环境中。这个发布版本支持主流数据库,及其特色语法。 第二个部分是集成 Jdbc Directory 和 Compass Framework,仅仅需要修改配置文件就可以实现集成。集成的内容包括:数据源提供 DBCP ,c3p0 ,JNDI等 和 几个有关提高性能的配置。 把Lucene 索引文件放在数据库中可以创建一个搜索集群。因为所有的集群节点都存放在一个中央数据库中。 更多信息可以参考: Upgrade and Change log

有人也对 Compass 提出了质疑:

因为hibernate 3.1 可以直接支持 lucene compass 意义吗? http://www.hibernate.org/hib_docs/annotations/reference/en/html/lucene.html

更多信息见: http://www.theserverside.com/news/thread.tss?thread_id=38478

 原文地址: http://blog.csdn.net/accesine960/archive/2006/01/13/578750.aspx

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2006-01-13,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Nat. Comput. Sci. | 大语言模型时代的化学研究新范式
大语言模型(LLMs)为化学研究提供了新的发展机遇,包括研究规划、实验优化、数据分析、自动化执行和知识管理等方面。将LLM部署于活跃的环境中(即能与工具和数据实时交互的场景)将大幅提升其能力。然而,评估其性能仍存在困难,同时也需应对诸如可重复性、数据隐私与偏见等伦理问题。本文系统探讨了LLM在化学研究中的现有与潜在应用,并指出其在研究中扮演“主动科学伙伴”的路径与挑战。
DrugAI
2025/06/28
360
Nat. Comput. Sci. | 大语言模型时代的化学研究新范式
大型语言模型LLM
最近在学习OCI的生成式AI相关方面的内容,对相关内容做一下整理,内容涉及LLM基础、LLM架构、提示(Promot)、微调(fine-tuning)、各种模型、OCI的生成式AI、RAG,及向量数据库等等。争取写出一个系列的内容。
MySQLSE
2024/06/14
1380
大型语言模型LLM
OmegaFold、EquBind、RELATION、BIMODAL…你都掌握了吗?一文总结生物制药必备经典模型(二)
本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务,并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA!模型资源站(sota.jiqizhixin.com)即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。
机器之心
2023/08/07
5050
OmegaFold、EquBind、RELATION、BIMODAL…你都掌握了吗?一文总结生物制药必备经典模型(二)
GPT跨界预测癌症药物敏感性?Mayo Clinic团队推出SensitiveCancerGPT框架
在精准医学时代,药物敏感性预测(Drug Sensitivity Prediction, DSP)作为优化癌症治疗方案的关键环节,面临着肿瘤异质性、高维组学数据以及样本稀疏性等挑战。传统机器学习方法在处理这些复杂问题时往往表现有限,而生成式大语言模型(LLMs)如GPT的兴起,为DSP任务提供了全新视角。
实验盒
2025/03/17
1470
GPT跨界预测癌症药物敏感性?Mayo Clinic团队推出SensitiveCancerGPT框架
Nature|利用大型语言模型开展自主化学研究
化学研究以迭代循环为基础,通过设计、执行和改进实验来实现特定目标。研究人员的经验和直觉在最初的设计和随后的优化过程中起着至关重要的作用,而这在以前的化学研究自主系统中是无法复制的。
智药邦
2024/03/05
3010
Nature|利用大型语言模型开展自主化学研究
JCIM|大型语言模型作为分子设计引擎
新型分子和材料的设计是推动科技进步的重要驱动力,特别是在能源存储、合金设计、二维材料以及药物发现等领域。尽管传统生成式模型在分子设计方面取得了一定进展,但生成无效或相关度不高的分子、复杂的训练程序和高昂的计算成本仍是其面临的主要挑战。
智药邦
2024/09/27
1360
JCIM|大型语言模型作为分子设计引擎
利用大型语言模型在药物分子与适应症之间进行翻译
今天为大家介绍的是来自Yanshan Wang团队的一篇论文。药物分子够改变生物体精神或身体状态。每种被批准的药物都有一个适应症,这指的是该药物用于治疗特定医疗条件的治疗用途。尽管大型语言模型(LLM)最近在将分子及其文本描述之间进行翻译方面显示出了有效性,但在利用这些模型帮助实现药物分子与适应症之间,或反之亦然的翻译方面,研究仍存在空白。这种能力对药物发现过程大有裨益,能够根据给定的适应症生成药物,这将允许发现针对特定疾病或靶点的药物,并最终为患者提供更好的治疗方案。
DrugAI
2024/03/20
2790
利用大型语言模型在药物分子与适应症之间进行翻译
Nat. Mach. Intell.|大语言模型助力分子属性预测,驱动科学发现新范式
在药物研发和材料科学领域,分子属性预测(如溶解度、血脑屏障通透性)是决定实验成败的关键。然而,传统方法依赖人工经验或复杂神经网络,存在可解释性差、知识整合困难等问题。
实验盒
2025/02/28
2070
Nat. Mach. Intell.|大语言模型助力分子属性预测,驱动科学发现新范式
学界 | 同济大学综述论文:基于深度生成模型的药物研发
论文:Advances and challenges in deep generative models for de novo molecule generation
机器之心
2018/12/11
8200
学界 | 同济大学综述论文:基于深度生成模型的药物研发
清华大学刘知远团队提出ChatMol模型,基于自然语言进行交互式的分子发现
在大语言模型时代,自然语言将成为人机交互的关键媒介。在生物化学领域,诸如性质预测和分子挖掘等任务至关重要,但在技术上具有挑战性。在自然语言和化学语言中架起分子表达的桥梁可以显著提高这些语言的可解释性和易用性,整合各种来源的化学知识,从而更深入地了解分子。
智药邦
2024/09/18
3040
清华大学刘知远团队提出ChatMol模型,基于自然语言进行交互式的分子发现
AAAI | 深度生成模型—NEVAE
今天给大家介绍的是印度理工学院Niloy Ganguly教授课题组在AAAI2019发表的一篇关于分子生成的论文。作者基于VAE提出一种新的分子图生成模型NEVAE,其编码器和解码器经过特殊设计,通过多种技术创新来解决目前生成模型存在的缺点。实验表明,与几种最新模型相比,NEVAE可以更有效地发现合理的、多样的和新颖的分子。比起基于贝叶斯优化和强化学习的几种最新方法,该优化解码器能够识别出高121%属性值的分子。
DrugAI
2021/02/02
9030
AAAI | 深度生成模型—NEVAE
多任务深度学习预测化学反应
今天给大家介绍纽约大学Lu等人在2022年发表的一篇名为“Unified Deep Learning Model for Multitask Reaction Predictions with Explanation”的文章[1]。有机化学是现代多个学科领域的基石,深刻改变着我们生活的方方面面,因此近代以来科研工作者一直致力于探索开发鲁棒性更好的机器学习模型来辅助有机化学合成。
DrugAI
2023/02/13
1.4K0
多任务深度学习预测化学反应
基于自然语言进行交互式分子探索
今天为大家介绍的是来自Guotong Xie和 Zhiyuan Liu团队的一篇关于分子探索论文。在大型语言模型时代,自然语言被期望成为各种人机交互的关键媒介。在生物化学领域,围绕分子的一系列任务具有重要意义,同时也具有较高的技术门槛。将自然语言中的分子表达与化学语言相结合,不仅可以极大提高这些任务的可解释性和操作难度,还可以整合散落在各种辅助材料中的化学知识,以深入理解分子。基于这些好处,作者提出了对话式分子设计,这是一项采用自然语言描述和编辑目标分子的新任务。为了更好地完成这项任务,作者设计了ChatMol,一个生成式预训练模型,通过注入实验性质信息、分子空间知识以及自然语言与化学语言之间的关联来增强模型。
DrugAI
2023/09/19
2990
基于自然语言进行交互式分子探索
Chem. Sci. | SynAsk:首个可公开访问的特定化学领域大语言模型
今天为大家介绍的是来自广州国家实验室廖矿标课题组的一篇论文。自然语言处理(NLP)领域随着大语言模型(LLMs)的出现经历了一场变革性的转变,在各种语言任务和应用中掀起了一场革命。将LLMs整合到特定领域可增强其在特定领域的应用能力。值得注意的是,NLP在有机化学领域取得了重大进展,尤其是在预测合成任务方面,为专门针对有机化学领域开发LLMs铺平了道路。本研究介绍了SynAsk,这是一个由AIChemEco公司开发的综合性有机化学特定领域LLM平台。通过使用特定领域数据对LLM进行微调,并将其与思维链方法相结合,SynAsk可以无缝访问我们的知识库和高级化学工具,以问答格式实现功能。这种新颖的方法将微调技术与外部资源整合相结合,形成了一个专门针对有机化学的模型,有助于推动该领域的研究和发现。SynAsk可在https://synask.aichemeco.com上访问,代表了在利用自然语言处理进行合成应用方面的重大进步。
DrugAI
2025/01/02
4800
Chem. Sci. | SynAsk:首个可公开访问的特定化学领域大语言模型
CHEM SCI|在不对称催化中,用AI优化溶剂的选择
今天给大家介绍的是Chemical Science上有关溶剂优化的文章 "Machine learning and molecular descriptors enable rational solvent selection in asymmetric catalysis"。
智药邦
2021/09/27
8710
CHEM SCI|在不对称催化中,用AI优化溶剂的选择
耶鲁大学提出分子语言模型MolLM,结合生物医学文本与分子的二维和三维表示
目前用于分子和文本联合表示的深度学习模型主要依赖于一维或二维分子格式,而忽略了提供有价值的物理见解的重要三维结构信息,因此限制了模型在广泛的模态范围内的多功能性和适应性。相反,专注于明确的三维表示的有限研究往往忽略了生物医学领域内的文本数据。因此,将二维和三维分子信息以及生物医学文本相结合的分子表示学习模型仍十分缺乏。
智药邦
2024/08/07
2280
耶鲁大学提出分子语言模型MolLM,结合生物医学文本与分子的二维和三维表示
前沿 | GAN用于材料设计:哈佛大学新研究登上Science
论文:Inverse molecular design using machine learning: Generative models for matter engineering
机器之心
2018/08/21
1.1K0
前沿 | GAN用于材料设计:哈佛大学新研究登上Science
迈向语言模型中的分子关系建模
今天为大家介绍的是来自Xiang Wang团队的一篇论文。分子关系学习(MRL),旨在理解分子对之间的相互作用,对推进生化研究发挥着关键作用。近期,采用大型语言模型(LLMs)作为一种高效有效的MRL方法显得尤为有前途,这些模型以其庞大的知识库和高级的逻辑推理能力而闻名。尽管这些方法充满潜力,但它们主要依赖于文本数据,因此并未完全利用分子图中固有的丰富结构信息。此外,缺乏统一框架加剧了数据利用不足的问题,因为它阻碍了在不同数据集之间学到的相互作用机制的共享。为了应对这些挑战,作者提出了一种基于LLM的多模态框架,用于分子交互建模,遵循思维链(CoT)理论,称为MolTC,该框架有效地整合了成对两分子的图信息。为了实现统一的训练范式,MolTC创新性地开发了一种动态参数共享策略,用于跨数据集信息交换。
DrugAI
2024/03/26
2370
迈向语言模型中的分子关系建模
在线高斯自适应革新 OTTA 视觉语言模型 !
视觉-语言对齐已成为一种强大的范式,可用于预训练模型,这些模型能够处理各种下游任务,且在少量或没有 Token 数据的情况下也能胜任。如CLIP[19]这样的对比方法通过联合优化视觉编码器和文本编码器来学习可迁移的视觉表示,从而对配对图像和标题的表示进行对齐。这使创建图像分类器成为可能,而无需重新训练模型,只需使用类别的文本描述。随后,分类过程仅仅依赖于测量文本特征与图像特征之间的相似度,从而实现零样本预测。这已经在广泛认可的监督学习基准,如ImageNet[3]上展示了令人印象深刻的零样本性能。这一成功激励了对适应视觉-语言模型(VLMs)以处理未见任务的方法的研究,从而绕过了重新训练模型的需求,无论是通过 Prompt 优化[20, 32]、低秩适应[26]还是在嵌入空间中的 Adapter 。这些后一种方法特别引人关注,因为它们不需要访问模型权重——被称为黑盒方法——这使得它们适用于基于API的应用。
AIGC 先锋科技
2025/02/10
1540
在线高斯自适应革新 OTTA 视觉语言模型  !
Nat Mach Intel|MolFormer:大规模化学语言模型表征分子结构与性质
2022年12月21日,IBM的Jerret Ross等人在Nature Machine Intelligence上发表文章Large-scale chemical language representations capture molecular structure and properties。作者提出了MolFormer:一个基于Transformer的大规模化学语言模型表征分子结构与性质。
智药邦
2023/02/15
2.4K0
Nat Mach Intel|MolFormer:大规模化学语言模型表征分子结构与性质
推荐阅读
相关推荐
Nat. Comput. Sci. | 大语言模型时代的化学研究新范式
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档