语义解析：自然语言生成SQL与知识图谱问答实战

作者简介

推荐阅读

11.5 本章小结

11.4.3 方案创新点

11.4.2 数据增强策略

11.4.1 数据增强在NLP领域的应用

11.4 实践技巧

11.3 潜在的落地场景

11.2 产品视角的考虑

11.1 研究与落地的差别

第11章 语义解析技术落地思考

10.5 本章小结

10.4.2 预训练任务设计

10.4.1 表格数据增强：解决数据稀疏难题

10.4 GRAPPA

10.3.2 预训练任务设计

10.3.1 附加Embedding编码表结构

10.3 TAPAS

10.2.2 预训练任务设计

10.2.1 信息的联合表示

10.2 定制预训练模型：TaBERT

10.1.2 去噪自动编码器

10.1.1 掩码语言建模

10.1 预训练技术的发展

第10章 预训练优化

9.7 本章小结

9.6 SPARQL语句修正和再次排序

9.5 路径排序

9.4 T5、BART、UniLM模型结果合并

9.3 T5、BART、UniLM生成SPARQL语句实现

9.2 T5、BART、UniLM方案

9.1 T5、BART、UniLM模型简介

第9章 面向SPARQL的原型系统构建

8.6 本章小结

8.5.2 完整流程演示

8.5.1 解码器

8.5 完整系统演示

8.4.2 值模型的搭建与训练

8.4.1 值与列的关系解析

8.4 值模型解析

8.3.2 列模型的搭建与训练

8.3.1 嵌套信息的编码设计

8.3 列模型解析

8.2.2 型模型的搭建与训练

8.2.1 构建复杂SQL语句的中间表达形式

8.2 型模型解析

8.1.2 难点与对策分析

8.1.1 复杂嵌套SQL语句

8.1 复杂嵌套SQL查询的难点剖析

第8章 面向复杂嵌套SQL查询的原型系统构建

7.5 本章小结

7.4.5 模型训练和预测

7.4.4 模型搭建

7.4.3 生成批量数据

7.4.2 SqlLabelEncoder类的构造

7.4.1 QueryTokenizer类的构造

7.4 代码示例

7.3.4 模型整体架构

7.3.3 输出子任务解析

7.3.2 输入整合

7.3.1 列名解析

7.3 任务解析

7.2 任务简介

7.1 语义匹配解决思路

第7章 面向无嵌套简单SQL查询的原型系统构建

6.4 本章小结

6.3.3 SQL语句的生成

6.3.2 SemQL的生成

6.3.1 模式链接代码实现

6.3 IRNet代码精析

6.2 引入中间表达层SemQL

6.1 中间表达：IRNet

第6章 基于中间表达的语义解析技术

5.5 本章小结

5.4.2 LGESQL模型框架

5.4.1 LGESQL模型简介

5.4 关注模式链接拓扑结构的LGESQL

5.3.3 模式链接的具体实现

5.3.2 考虑更复杂的连接关系

5.3.1 Relation-Aware Self-Attention模型

5.3 关注模式链接的RATSQL

5.2.3 Re-ranking GCN模块详解

5.2.2 Gating GCN模块详解

5.2.1 Global GNN的改进

5.2 关注模式的Global GNN

5.1.2 GNN编码表示

5.1.1 匹配可能模式项的集合

5.1 使用GNN对数据库模式进行编码

第5章 基于GNN的语义解析技术

4.4 本章小结

4.3.2 MAPO代码实现

4.3.1 MAPO模型简介

4.3 MAPO模型

4.2.3 SCST代码实现

4.2.2 SCST模型框架

4.2.1 SCST模型简介

4.2 SCST模型

4.1 Seq2Seq中的强化学习知识

第4章 基于强化学习的语义解析技术

3.3 本章小结

3.2 基于X-SQL的模板定义与子任务分解

3.1.2 如何进行意图识别和槽位填充

3.1.1 意图识别和槽位填充的步骤

3.1 意图识别和槽位填充

第3章 基于模板填充的语义解析技术

2.6 本章小结

2.5 NL2SQL的T5模型实践

2.4.4 T5模型在NL2SQL中的应用

2.4.3 T5模型训练方式

2.4.2 T5模型架构

2.4.1 T5模型简介

2.4 T5预训练模型在NL2SQL中的应用

2.3.3 SQLNet模型预测及其训练细节

2.3.2 列名注意力

2.3.1 序列到集合

2.3 从序列到集合：SQLNet模型的解决方案

2.2.2 将Seq2Seq模型应用于NL2SQL

2.2.1 Seq2Seq模型原理

2.2 NL2SQL翻译框架的构建

2.1.2 神经网络机器翻译基本框架

2.1.1 常见机器翻译技术路线

2.1 机器翻译原理浅析

第2章 基于机器翻译的语义解析技术

1.4 本章小结

1.3.3 KBQA数据集

1.3.2 NL2SQL数据集

1.3.1 语义解析中的预训练模型

1.3 语义解析的预训练模型和数据集

1.2.3 语义解析技术方案对比

1.2.2 KBQA任务及方法

1.2.1 NL2SQL任务及方法

1.2 主流的语义解析技术

1.1 人机交互应用与语义解析难点分析

第1章 NL2SQL和KBQA中的语义解析技术

前言

序

内容简介

版权信息

封面

封面

版权信息

内容简介

序

前言

第1章 NL2SQL和KBQA中的语义解析技术

1.1 人机交互应用与语义解析难点分析

1.2 主流的语义解析技术

1.2.1 NL2SQL任务及方法

1.2.2 KBQA任务及方法

1.2.3 语义解析技术方案对比

1.3 语义解析的预训练模型和数据集

1.3.1 语义解析中的预训练模型

1.3.2 NL2SQL数据集

1.3.3 KBQA数据集

1.4 本章小结

第2章 基于机器翻译的语义解析技术

2.1 机器翻译原理浅析

2.1.1 常见机器翻译技术路线

2.1.2 神经网络机器翻译基本框架

2.2 NL2SQL翻译框架的构建

2.2.1 Seq2Seq模型原理

2.2.2 将Seq2Seq模型应用于NL2SQL

2.3 从序列到集合：SQLNet模型的解决方案

2.3.1 序列到集合

2.3.2 列名注意力

2.3.3 SQLNet模型预测及其训练细节

2.4 T5预训练模型在NL2SQL中的应用

2.4.1 T5模型简介

2.4.2 T5模型架构

2.4.3 T5模型训练方式

2.4.4 T5模型在NL2SQL中的应用

2.5 NL2SQL的T5模型实践

2.6 本章小结

第3章 基于模板填充的语义解析技术

3.1 意图识别和槽位填充

3.1.1 意图识别和槽位填充的步骤

3.1.2 如何进行意图识别和槽位填充

3.2 基于X-SQL的模板定义与子任务分解

3.3 本章小结

第4章 基于强化学习的语义解析技术

4.1 Seq2Seq中的强化学习知识

4.2 SCST模型

4.2.1 SCST模型简介

4.2.2 SCST模型框架

4.2.3 SCST代码实现

4.3 MAPO模型

4.3.1 MAPO模型简介

4.3.2 MAPO代码实现

4.4 本章小结

第5章 基于GNN的语义解析技术

5.1 使用GNN对数据库模式进行编码

5.1.1 匹配可能模式项的集合

5.1.2 GNN编码表示

5.2 关注模式的Global GNN

5.2.1 Global GNN的改进

5.2.2 Gating GCN模块详解

5.2.3 Re-ranking GCN模块详解

5.3 关注模式链接的RATSQL

5.3.1 Relation-Aware Self-Attention模型

5.3.2 考虑更复杂的连接关系

5.3.3 模式链接的具体实现

5.4 关注模式链接拓扑结构的LGESQL

5.4.1 LGESQL模型简介

5.4.2 LGESQL模型框架

5.5 本章小结

第6章 基于中间表达的语义解析技术

6.1 中间表达：IRNet

6.2 引入中间表达层SemQL

6.3 IRNet代码精析

6.3.1 模式链接代码实现

6.3.2 SemQL的生成

6.3.3 SQL语句的生成

6.4 本章小结

第7章 面向无嵌套简单SQL查询的原型系统构建

7.1 语义匹配解决思路

7.2 任务简介

7.3 任务解析

7.3.1 列名解析

7.3.2 输入整合

7.3.3 输出子任务解析

7.3.4 模型整体架构

7.4 代码示例

7.4.1 QueryTokenizer类的构造

7.4.2 SqlLabelEncoder类的构造

7.4.3 生成批量数据

7.4.4 模型搭建

7.4.5 模型训练和预测

7.5 本章小结

第8章 面向复杂嵌套SQL查询的原型系统构建

8.1 复杂嵌套SQL查询的难点剖析

8.1.1 复杂嵌套SQL语句

8.1.2 难点与对策分析

8.2 型模型解析

8.2.1 构建复杂SQL语句的中间表达形式

8.2.2 型模型的搭建与训练

8.3 列模型解析

8.3.1 嵌套信息的编码设计

8.3.2 列模型的搭建与训练

8.4 值模型解析

8.4.1 值与列的关系解析

8.4.2 值模型的搭建与训练

8.5 完整系统演示

8.5.1 解码器

8.5.2 完整流程演示

8.6 本章小结

第9章 面向SPARQL的原型系统构建

9.1 T5、BART、UniLM模型简介

9.2 T5、BART、UniLM方案

9.3 T5、BART、UniLM生成SPARQL语句实现

9.4 T5、BART、UniLM模型结果合并

9.5 路径排序

9.6 SPARQL语句修正和再次排序

9.7 本章小结

第10章 预训练优化

10.1 预训练技术的发展

10.1.1 掩码语言建模

10.1.2 去噪自动编码器

10.2 定制预训练模型：TaBERT

10.2.1 信息的联合表示

10.2.2 预训练任务设计

10.3 TAPAS

10.3.1 附加Embedding编码表结构

10.3.2 预训练任务设计

10.4 GRAPPA

10.4.1 表格数据增强：解决数据稀疏难题

10.4.2 预训练任务设计

10.5 本章小结

第11章 语义解析技术落地思考

11.1 研究与落地的差别

11.2 产品视角的考虑

11.3 潜在的落地场景

11.4 实践技巧

11.4.1 数据增强在NLP领域的应用

11.4.2 数据增强策略

11.4.3 方案创新点

11.5 本章小结

推荐阅读

作者简介