語義解析：自然語言生成SQL與知識圖譜問答實戰(zhàn)

C O N T E N T S
目錄序
前言
第1章NL2SQL和KBQA中的語義
解析技術1
11人機交互應用與語義解析
難點分析1
12主流的語義解析技術5
121NL2SQL任務及方法5
122KBQA任務及方法12
123語義解析技術方案對比17
13語義解析的預訓練模型和
數(shù)據(jù)集19
131語義解析中的預訓練模型19
132NL2SQL數(shù)據(jù)集19
133KBQA數(shù)據(jù)集21
14本章小結23第2章基于機器翻譯的語義解析
技術24
21機器翻譯原理淺析24
211常見機器翻譯技術路線24
212神經(jīng)網(wǎng)絡機器翻譯基本框架26
22NL2SQL翻譯框架的構建27
221Seq2Seq模型原理27
222將Seq2Seq模型應用于
NL2SQL28
23從序列到集合：SQLNet
模型的解決方案28
231序列到集合29
232列名注意力29
233SQLNet模型預測及其訓練
細節(jié)30
24T5預訓練模型在NL2SQL中的
應用31
241T5模型簡介31
242T5模型架構32
243T5模型訓練方式32
244T5模型在NL2SQL中的
應用33
25NL2SQL的T5模型實踐33
26本章小結43第3章基于模板填充的語義解析
技術44
31意圖識別和槽位填充44
311意圖識別和槽位填充的
步驟45
312如何進行意圖識別和槽位
填充46
32基于X-SQL的模板定義與子
任務分解48
33本章小結49第4章基于強化學習的語義解析
技術50
41Seq2Seq中的強化學習
知識50
42SCST模型51
421SCST模型簡介52
422SCST模型框架52
423SCST代碼實現(xiàn)52
43MAPO模型62
431MAPO模型簡介62
432MAPO代碼實現(xiàn)63
44本章小結67第5章基于GNN的語義解析
技術68
51使用GNN對數(shù)據(jù)庫模式進行
編碼68
511匹配可能模式項的集合69
512GNN編碼表示69
52關注模式的Global GNN71
521Global GNN的改進71
522Gating GCN模塊詳解72
523Re-ranking GCN模塊詳解75
53關注模式鏈接的RATSQL79
531Relation-Aware Self-Attention
模型80
532考慮 復雜的連接關系80
533模式鏈接的具體實現(xiàn)81
54關注模式鏈接拓撲結構的
LGESQL83
541LGESQL模型簡介83
542LGESQL模型框架86
55本章小結87第6章基于中間表達的語義解析
技術88
61中間表達：IRNet88
62引入中間表達層SemQL90
63IRNet代碼精析92
631模式鏈接代碼實現(xiàn)92
632SemQL的生成95
633SQL語句的生成101
64本章小結107第7章面向無嵌套簡單SQL查詢的
原型系統(tǒng)構建108
71語義匹配解決思路108
72任務簡介109
73任務解析110
731列名解析110
732輸入整合111
733輸出子任務解析111
734模型整體架構112
74代碼示例113
741QueryTokenizer類的構造113
742SqlLabelEncoder類的
構造115
743生成批量數(shù)據(jù)115
744模型搭建117
745模型訓練和預測118
75本章小結120第8章面向復雜嵌套SQL查詢的
原型系統(tǒng)構建121
81復雜嵌套SQL查詢的難點
剖析121
811復雜嵌套SQL語句121
812難點與對策分析122
82型模型解析123
821構建復雜SQL語句的中間
表達形式123
822型模型的搭建與訓練124
83列模型解析127
831嵌套信息的編碼設計127
832列模型的搭建與訓練127
84值模型解析130
841值與列的關系解析130
842值模型的搭建與訓練130
85完整系統(tǒng)演示132
851解碼器132
852完整流程演示133
86本章小結134第9章面向SPARQL的原型系統(tǒng)
構建135
91T5、BART、UniLM模型
簡介135
92T5、BART、UniLM方案136
93T5、BART、UniLM生成
SPARQL語句實現(xiàn)141
94T5、BART、UniLM模型結果
合并156
95路徑排序160
96SPARQL語句修正和再次
排序172
97本章小結185 0章預訓練優(yōu)化186
101預訓練技術的發(fā)展186
1011掩碼語言建模187
1012去噪自動編碼器189
102 預訓練模型：
TaBERT192
1021信息的聯(lián)合表示192
1022預訓練任務設計192
103TAPAS194
1031附加Embedding編碼表
結構194
1032預訓練任務設計195
104GRAPPA195
1041表格數(shù)據(jù)增強：解決數(shù)據(jù)
稀疏難題195
1042預訓練任務設計195
105本章小結197 1章語義解析技術落地思考198
111研究與落地的差別198
112產(chǎn)品視角的考慮200
113潛在的落地場景200
114實踐技巧201
1141數(shù)據(jù)增強在NLP領域的
應用201
1142數(shù)據(jù)增強策略202
1143方案創(chuàng)新點204
115本章小結205