首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

如何在Firestore中子集合名称中使用通配符?

在Firestore中,子集合名称中使用通配符是不支持的。Firestore的数据模型是基于集合和文档的层次结构,其中集合是文档的容器,而文档又可以包含子集合。子集合是在文档内部创建的,它们的名称是固定的,不能使用通配符来匹配多个子集合。

如果你需要在Firestore中动态地查询多个子集合,可以考虑使用其他的数据结构来满足你的需求。例如,你可以在文档中使用字段来标识不同的子集合,然后根据这些字段进行查询。另外,你也可以将子集合的数据合并到一个集合中,使用字段来区分不同的子集合。

需要注意的是,Firestore的查询是基于文档和集合的,而不是子集合。因此,在设计数据结构时,应该根据实际需求来选择合适的方式来组织数据,以便于查询和操作。

关于Firestore的更多信息和使用方法,你可以参考腾讯云提供的云数据库 Firestore 产品介绍页面:https://cloud.tencent.com/product/tcb-firestore

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • NeurIPS| 利用条件图逻辑网络进行逆合成预测

    今天给大家介绍的是Google Research和蚂蚁金服等团队在NeurlPS发表的一篇名为“Retrosynthesis Prediction withConditional Graph Logic Network”的文章。逆合成分析属于有机化学中的基本问题,在机器学习领域也引起广泛关注。文章中,作者把逆合成的任务描述为“在确定的分子空间中寻找可以用来合成产物分子的反应物分子集合”这一问题。大多数现有的方法依赖于子图匹配规则的基于模板的模型,但是化学反应是否可以进行并不是严格由决策规则定义的。在文章中,作者提出了一种使用条件图逻辑网络来完成这项任务的新方法,它可以学习何时应该应用反应模板中的规则,隐式地考虑所产生的反应是否具有化学可行性和策略性。作者还提出了一种有效的分层抽样来减少计算成本。在基准数据集上,与当时最先进的方法相比,作者的模型实现了8.1%的显著改进,同时还提供了对预测的解释。

    02

    MIMOSA: 用于分子优化的多约束分子采样

    今天给大家介绍一篇佐治亚理工学院Tianfan Fu等人发表在AAAI 2021上的文章“MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization”。分子优化促进药物发现,其目标是产生新的有效分子,使药物特性最大化,同时保持与输入分子的相似性。现有的生成模型和强化学习方法在同时优化多种药物属性方面仍面临一定困难。为此,本文提出多约束分子采样框架—MIMOSA,使用输入分子作为初始采样框架,并从目标分布中采样分子。MIMOSA首先预先训练两个属性不可知图神经网络(GNN),分别用于分子拓扑和子结构类型预测,其中子结构可以是原子或单环。MIMOSA用GNN进行迭代预测,并且采用三种基本的子结构操作(添加、替换、删除)来生成新的分子和相关的权重。权重可以编码多个约束,包括相似性约束和药物属性约束,在此基础上选择有前途的分子进行下一次预测。MIMOSA能够灵活地对多种属性和相似性约束进行编码,且高效地生成满足各种属性约束的新分子,在成功率方面比最佳基线改进高达49.6%。

    04
    领券