Bert模型為Google開發(fā)的基于Transformer Encoder的大規(guī)模語料預訓練語言模型,在自然語言處理領域（Natural language Processing）近乎各個子領域內均獲得了大幅度的突破。本文在基于Bert作為數據增強的基礎上,研究對當前人工智能領域中的一個實用性任務:NL2SQL（即“自然語言轉SQL語句”任務）。創(chuàng)新地設計了新型的針對19年發(fā)布的首個中文NL2SQL數據集的深度學習模型,并達到了87%左右的準確率,接近了當前State-Of-The-Art模型X-SQL在英文NL2SQL數據集WikiSQL上的表現。 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：53 頁

【學位級別】：碩士

【部分圖文】：

圖１．４：中文ＮＬ２ＳＱＬ數據集樣例??－５－??

，�。常保常В保叮撸匙專玻迹海畅枺保矗ВＫジ衩Q??”ｔｉｔｉｍｉ：?２０１９年新幵工預酒”，＃褒格??”ｈｅａｄｅｒ”：?［?＃我格所包含的列名??＂３００域市土地出讓”，??”規(guī)劃速筑面積Ｃ／ｉｍ５）”，??１，??＂ｔｙｐｅｓ”：?［＃農格列所祖應的笑盤??＂ｔｅｘｔ＂，??＂ｒｅａｌ＂，??］，??”ｒｏｗｓ”：?［＃授格每？行所存儲的道??ｔ??”２００９年?７巧－２０１０年６月＂，??１６８２１２．４，??］??３??｝??圖１．５：中文ＮＬ２ＳＱＬ數據集中ＳＱＬ字段說明??下面簡要深度學習模型對于該ＮＬ２ＳＱＬ數據集如何才能由用戶問題自動構??建ＳＱＬ表達式。如下圖所示，對于自然語言查詢語句“二零一九年第四周大??－６－??

??？ｔｉｔｌｅ＊：?＊表３，?２０１９年３５４網（２０１９．０１．２８?－?２０１９．０Ｚ０３）全Ｕｆｌ電影票房ＴＯＰ１０＊，??？ｈｅａｄｅｒ、［ｍ名稱？，？閥票房（＂）？，＊票房占比（％）?＇？場均人次？］，??－Ｃ〇ＩａＤ〇ｎ’：’資Ｍ來源：艿思１＆影如４．光人證羚研九所＇??＇ｉｄ＊：?＊４ｄ２９ｄ０５１３ａａａｌｌｅ９ｂ９１１ｆ４０ｆ２４３４４ａ０８＂，??＂ｔｙｐｅｓ＂：?［＂ｌｅｘｌ＊，?＊ｒｅａｌ＇?＂ｒｅａｌ＊－，?＊ｒｅａｌ＊］??）??圖１．６：第一條訓練樣本??ＮＬ２ＳＱＬ任務所需做的是將原任務解耦為各種子任務來確定最終生成的ＳＱＬ??表達式的各個模塊，進而構建完整語句并經其檢索正確答案。??具體地，通過自然語言査詢語句中的“票房總占比是多少”，模型能夠正確??對應表格中的第三個特征列“票房占比（％）”，即“ｓｅｌ：⑵”；和對應的聚合函??數，即“ａｇｇ：間”。從自然語言査詢語句中的“大黃蜂和密室逃生”模型能正確??得出”大黃蜂”和”密室逃生”這兩個條件同時確定兩條件間關系為“ＡＮＤ”，即??確定?“ｃｏｎｄｓ”?和?“ｃｏｎｄ＿ｃｏｎｎ＿ｏｐ”?具體的值。??當以上各ＳＱＬ子句均能正確預測時，ＮＬ１ＳＱＬ模型即可正確生成對應上述??樣例的ＳＱＬ表達式如下：??ＳＥＬＥＣＴ?ＳＵＭ（ｃｏｌ＿３）?ＦＲＯＭ?Ｔａｂｌｅ—４ｄ２９ｄ０５１３ａａａｌｌｅ９ｂ９１１ｆ４０ｆ２４３４４ａ０８??ＷＨＥＲＥ?（ｃｏｌ—１?＝＝，大黃蜂，ａｎｄ?ｃｏｌ＿ｌ?＝＝，密室逃生，）??－７－??

【參考文獻】：
期刊論文
[1]基于表格的自動問答研究與展望[J]. 李智,王震,楊賦庚,奚雪峰.  計算機工程與應用. 2021(13)

碩士論文
[1]面向自然語言問句的結構化查詢語句生成方法研究與實現[D]. 張立國.天津工業(yè)大學 2020



本文編號：3594499