语义解析:自然语言生成SQL与知识图谱问答实战电子书

前言

CHAPTER1 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

CHAPTER2 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

CHAPTER3 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

CHAPTER4 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

CHAPTER5 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

CHAPTER6 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

CHAPTER7 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

CHAPTER8 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

CHAPTER9 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

CHAPTER10 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

CHAPTER11 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