语义解析：自然语言生成SQL与知识图谱问答实战

语义解析：自然语言生成SQL与知识图谱问答实战
作　者： 易显维 宁星星
出版社： 机械工业出版社
丛编项：
版权说明： 本书为公共版权或经版权方授权，请支持正版图书
标　签： 暂缺
ISBN 出版时间 包装 开本 页数 字数
未知 暂无 暂无 未知 0 暂无

作者简介

暂缺《语义解析：自然语言生成SQL与知识图谱问答实战》作者简介

内容简介

全书分为3个部分：1. 部分主要介绍了NL2SQL技术的相关背景知识，包括对NL2SQL任务的描述和价值探讨、 外相关数据集的对比分析以及相关前置技术的介绍与实现2.第二部分深入解构当前NL2SQL技术领域的若干主流技术路线，并着重分析了各个技术方案的优势与不足，为开发者提供模型选择的参考依据3.第三部分包含NL2SQL实践指导相关篇章，结合相关代码，以单表无嵌套和多表有嵌套为例，从数据预处理、模型的构建，模型优化技巧等方面为读者构建了完整的NL2SQL技术实现流程读者通过对本书的阅读，可以对自然语言处理语义解析领域新兴的子任务——NL2SQL有一个清晰地认识。本书充分介绍了语义解析任务相关研究进展，对主流技术方案进行了详细阐述与分析，并从实践的角度展示了NL2SQL完整的技术实现流程，希望帮助读者深入理解并高效搭建起语义解析框架，同时对语义解析领域的发展起到一定的促进作用。

图书目录

C O N T E N T S

目录序

前言

第1章NL2SQL和KBQA中的语义

解析技术1

11人机交互应用与语义解析

难点分析1

12主流的语义解析技术5

121NL2SQL任务及方法5

122KBQA任务及方法12

123语义解析技术方案对比17

13语义解析的预训练模型和

数据集19

131语义解析中的预训练模型19

132NL2SQL数据集19

133KBQA数据集21

14本章小结23第2章基于机器翻译的语义解析

技术24

21机器翻译原理浅析24

211常见机器翻译技术路线24

212神经网络机器翻译基本框架26

22NL2SQL翻译框架的构建27

221Seq2Seq模型原理27

222将Seq2Seq模型应用于

NL2SQL28

23从序列到集合：SQLNet

模型的解决方案28

231序列到集合29

232列名注意力29

233SQLNet模型预测及其训练

细节30

24T5预训练模型在NL2SQL中的

应用31

241T5模型简介31

242T5模型架构32

243T5模型训练方式32

244T5模型在NL2SQL中的

应用33

25NL2SQL的T5模型实践33

26本章小结43第3章基于模板填充的语义解析

技术44

31意图识别和槽位填充44

311意图识别和槽位填充的

步骤45

312如何进行意图识别和槽位

填充46

32基于X-SQL的模板定义与子

任务分解48

33本章小结49第4章基于强化学习的语义解析

技术50

41Seq2Seq中的强化学习

知识50

42SCST模型51

421SCST模型简介52

422SCST模型框架52

423SCST代码实现52

43MAPO模型62

431MAPO模型简介62

432MAPO代码实现63

44本章小结67第5章基于GNN的语义解析

技术68

51使用GNN对数据库模式进行

编码68

511匹配可能模式项的集合69

512GNN编码表示69

52关注模式的Global GNN71

521Global GNN的改进71

522Gating GCN模块详解72

523Re-ranking GCN模块详解75

53关注模式链接的RATSQL79

531Relation-Aware Self-Attention

模型80

532考虑 复杂的连接关系80

533模式链接的具体实现81

54关注模式链接拓扑结构的

LGESQL83

541LGESQL模型简介83

542LGESQL模型框架86

55本章小结87第6章基于中间表达的语义解析

技术88

61中间表达：IRNet88

62引入中间表达层SemQL90

63IRNet代码精析92

631模式链接代码实现92

632SemQL的生成95

633SQL语句的生成101

64本章小结107第7章面向无嵌套简单SQL查询的

原型系统构建108

71语义匹配解决思路108

72任务简介109

73任务解析110

731列名解析110

732输入整合111

733输出子任务解析111

734模型整体架构112

74代码示例113

741QueryTokenizer类的构造113

742SqlLabelEncoder类的

构造115

743生成批量数据115

744模型搭建117

745模型训练和预测118

75本章小结120第8章面向复杂嵌套SQL查询的

原型系统构建121

81复杂嵌套SQL查询的难点

剖析121

811复杂嵌套SQL语句121

812难点与对策分析122

82型模型解析123

821构建复杂SQL语句的中间

表达形式123

822型模型的搭建与训练124

83列模型解析127

831嵌套信息的编码设计127

832列模型的搭建与训练127

84值模型解析130

841值与列的关系解析130

842值模型的搭建与训练130

85完整系统演示132

851解码器132

852完整流程演示133

86本章小结134第9章面向SPARQL的原型系统

构建135

91T5、BART、UniLM模型

简介135

92T5、BART、UniLM方案136

93T5、BART、UniLM生成

SPARQL语句实现141

94T5、BART、UniLM模型结果

合并156

95路径排序160

96SPARQL语句修正和再次

排序172

97本章小结185 0章预训练优化186

101预训练技术的发展186

1011掩码语言建模187

1012去噪自动编码器189

102 预训练模型：

TaBERT192

1021信息的联合表示192

1022预训练任务设计192

103TAPAS194

1031附加Embedding编码表

结构194

1032预训练任务设计195

104GRAPPA195

1041表格数据增强：解决数据

稀疏难题195

1042预训练任务设计195

105本章小结197 1章语义解析技术落地思考198

111研究与落地的差别198

112产品视角的考虑200

113潜在的落地场景200

114实践技巧201

1141数据增强在NLP领域的

应用201

1142数据增强策略202

1143方案创新点204

115本章小结205