zoukankan      html  css  js  c++  java
  • Seq2SQL :使用强化学习通过自然语言生成SQL


            Seq2SQL属于natural language interface (NLI)的领域,方便普通用户接入并查询数据库中的内容,即用户不需要了解SQL语句,只需要通过自然语言,就可查询所需内容。
           Seq2SQL借鉴的是Seq2Seq的思想,与Seq2Seq应用于机器翻译与Chatbot类似,Seq2SQL将输入的语句encode后再decode成结构化的SQL语言输出,强化学习是在Seq2SQL中的最后一个模块中应用。同时,这篇论文还推出一个数据集WikiSQL,数据集内有人工标注好的问句及其对应SQL语句。
             试验结果显示,Seq2SQL的准确率也不是特别的高,只有60.3%
     
     

          Seq2SQL结构:
         
     
           Seq2SQL由三部分组成:
        第一部分:  Aggregation classifier    这一部分其实是一个分类器,将用户输入的语句分类成是select count/max/min 等统计相关的约束条件
        在此处采用的Augmented Pointer Network,Augmented Pointer Network总体而言也是ecoder-to-decoder的结构,
        encoder采用的是两层的bi-LSTM, decoder 采用的是两层的unidirectional LSTM,
        encoder输出h,ht对应的是第t个词的输出状态
        decoder的每一步是,输入y s-1,输出状态gs,接着,decoder为每个位置t生成一个attention的score
       ,最终生成 
         在Seq2SQL中,首先为input生成一个表征向量(agg:aggregation clasifier, inp:input,enc:encoder)
     
          首先为Augmented Pointer Network类似,计算出一个attention的分数
          量化后,通过softmax函数 
          input的表征向量 
          通过一个多层的网络和softmax完成分类任务
                 
        第二部分: select column   这一部分是看用户输入的问句命中了哪个column
         首先将每个column name 通过LSTM encode
         将用户输入encode成与第一部分类似的
         最终通过一个多层的神经元和softmax确定是命中哪一行
         
          
       第三部分:where clause  确定约束条件,因为最终生成的SQL可能与标注中的不太一样,但是依旧有一样的结果,所以不能像前两部分一样使用交叉熵作为loss训练,因此使用强化训练中reward函数 (g: ground-truth), loss使用梯度
     

     
          WikiSQL:
        WikiSQL包含一系列与SQL相关的问题集以及SQL table
        
     

     

     
     
     


     
     

     
        






























           




  • 相关阅读:
    osg利用矩阵投影在平面上产生阴影
    让openGL告诉你,什么是物体的移动与旋转
    利用openGL纯手工打造一个金字塔
    Java基础(四) StringBuffer、StringBuilder原理浅析
    Java基础(二) 基本类型数据类型、包装类及自动拆装箱
    Java基础(一) 八大基本数据类型
    小酌重构系列[20]——用条件判断代替异常
    小酌重构系列[19]——分解大括号
    小酌重构系列[18]——重命名
    小酌重构系列[17]——提取工厂类
  • 原文地址:https://www.cnblogs.com/combfish/p/7490413.html
Copyright © 2011-2022 走看看