CN113779062A - Sql语句生成方法、装置、存储介质及电子设备 - Google Patents
Sql语句生成方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113779062A CN113779062A CN202110203994.7A CN202110203994A CN113779062A CN 113779062 A CN113779062 A CN 113779062A CN 202110203994 A CN202110203994 A CN 202110203994A CN 113779062 A CN113779062 A CN 113779062A
- Authority
- CN
- China
- Prior art keywords
- information
- vocabulary
- sql statement
- text information
- core
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种SQL语句生成方法、装置、存储介质及电子设备。该SQL语句生成方法包括接收用户的语音指令,并将所述语音指令转换为文本信息;对所述文本信息进行语义分析,以得到核心词汇和与其相关的关联词汇之间的依存关系信息;基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容;根据所述目标成分和所述成分内容生成所述语音指令对应的SQL语句。本公开提供的SQL语句生成方法能够基于语音生成SQL语句,简化SQL语句的生成过程。
Description
技术领域
本公开涉及语音处理领域,具体涉及一种SQL语句生成方法、装置、存储介质及电子设备。
背景技术
SQL语言是一种常见的数据库查询和程序设计语言,用户可以根据自身的业务需求编写对应的SQL代码,以实现对数据库数据调用的目的。
但传统的SQL代码编写过程需要有相应的开发人员进行手工编写,前期学习成本高,开发周期长。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种SQL语句生成方法、装置、存储介质及电子设备,旨在实现基于语音生成SQL语句,简化SQL语句的生成过程。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的一个方面,提供了SQL语句生成方法,包括:接收用户的语音指令,并将所述语音指令转换为文本信息;对所述文本信息进行语义分析,以得到核心词汇和与其相关的关联词汇之间的依存关系信息;基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容;根据所述目标成分和所述成分内容生成所述语音指令对应的SQL语句。
根据本公开的一些实施例,基于前述方案,在所述对所述文本信息进行语义分析之前,所述方法还包括:对所述文本信息进行预分词处理,以提取语料库特征词汇;从预设的各基本语料库中选择与所述语料库特征词汇匹配的目标语料库;基于所述目标语料库对所述文本信息进行分词处理,以得到多个词汇作为分词文本信息。
根据本公开的一些实施例,基于前述方案,所述对所述文本信息进行语义分析,以得到核心词汇和与其相关的关联词汇之间的依存关系信息,包括:对所述分词文本信息中的词汇进行词性标注;根据词性标注后的分词文本信息中具有谓语词性的词汇数量进行语义分析,以确定所述核心词汇和所述依存关系信息。
根据本公开的一些实施例,基于前述方案,所述根据词性标注后的分词文本信息中具有谓语词性的词汇数量进行语义分析,以确定所述核心词汇和所述依存关系信息,包括:对所述分词文本信息进行依存句法分析以得到第一依存关系信息;以及计算所述分词文本信息中具有谓语词性的词汇数量N,其中,N为正整数;在N=1时,将所述具有谓语词性的词汇配置为所述核心词汇,并将所述第一依存关系信息配置为所述依存关系信息;在N>1时,对所述分词文本信息进行语义角色标注以得到所述核心词汇,并基于所述核心词汇从所述第一依存关系信息中提取所述依存关系信息。
根据本公开的一些实施例,基于前述方案,在N=1时,所述方法还包括:对所述分词文本信息进行语义角色标注以得到第一核心词汇;在所述具有谓语词性的词汇和所述第一核心词汇匹配时,将所述具有谓语词性的词汇配置为所述核心词汇。
根据本公开的一些实施例,基于前述方案,所述基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容,包括:预先根据SQL语句的类型构建关键词与成分的第一映射信息,以及根据SQL语句的内容构建关键词与语句内容的第二映射信息;将所述核心词汇和所述关联词汇与所述关键词进行匹配以确定所述核心词汇对应的第一关键词和所述关联词汇对应的第二关键词;利用所述第一映射信息提取与所述第一关键词对应的多个成分作为所述目标成分;利用所述第二映射信息提取与所述第二关键词对应的语句内容,并基于所述依存关系信息将所述语句内容进行组合以确定所述成分内容。
根据本公开的一些实施例,基于前述方案,在所述根据所述目标成分和所述成分内容生成所述语音指令对应的SQL语句之前,所述方法还包括:响应于用户的添加指令,获取所述添加指令对应的目标成分和/或成分内容以用于生成所述SQL语句。
根据本公开的一些实施例,基于前述方案,在所述基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容之后,所述方法还包括:将所述成分内容对应的目标成分与提取的目标成分进行比较;在比较结果为缺失时,根据缺失的目标成分生成缺失提示信息。
根据本公开的一些实施例,基于前述方案,在所述对所述文本信息进行语义分析之后,所述方法还包括:确定所述语音指令对应执行信息;根据所述执行信息执行所述SQL语句以得到所述语音指令对应的执行结果。
根据本公开的一些实施例,基于前述方案,所述方法还包括:预先根据语义分析的结果构建句式与核心词汇之间的第三映射信息;对所述文本信息进行句式识别;在识别结果中包括与所述句式匹配的目标句式时,利用所述第三映射信息确定所述核心词汇以生成所述SQL语句。
根据本公开实施例的第二个方面,提供了一种SQL语句生成装置,包括:接收模块,用于接收用户的语音指令,并将所述语音指令转换为文本信息;分析模块,用于对所述文本信息进行语义分析,以得到核心词汇和与其相关的关联词汇之间的依存关系信息;提取模块,用于基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容;生成模块,用于根据所述目标成分和所述成分内容生成所述语音指令对应的SQL语句。
根据本公开实施例的第三个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中的SQL语句生成方法。
根据本公开实施例的第四个方面,提供了一种电子设备,其特征在于,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中的SQL语句生成方法。
本公开示例性实施例可以具有以下部分或全部有益效果:
在本公开的一些实施例所提供的技术方案中,其一能够根据用户的语音指令生成对应的SQL语句,简化了生成SQL语句的过程,为SQL代码的智能化编写提供了一种新的技术方案;其二对语音指令转换的文本信息进行语义分析后提取核心词汇和关联词汇之间的依存关系信息,可以丢弃语音指令中冗杂的信息,而只根据提取的重要信息生成SQL语句,提高SQL语句生成的效率和准确性;其三是能够不预先设定SQL语句的类型,而是根据语义分析的结果提取目标成分后,再提取目标成分对应的成分内容,提高了SQL语句生成方法的实用性和广泛性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示意性示出本公开示例性实施例中一种SQL语句生成方法的流程示意图;
图2示意性示出本公开示例性实施例中一种依存句法分析结果的示意图;
图3示意性示出本公开示例性实施例中另一种SQL语句生成方法的流程示意图;
图4示意性示出本公开示例性实施例中一种SQL语句生成装置的组成示意图;
图5示意性示出本公开示例性实施例中一种计算机可读存储介质的示意图;
图6示意性示出本公开示例性实施例中一种电子设备的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
以下对本公开实施例的技术方案的实现细节进行详细阐述。
图1示意性示出本公开示例性实施例中一种SQL语句生成方法的流程示意图。如图1所示,该SQL语句生成方法包括步骤S1至步骤S4:
步骤S1,接收用户的语音指令,并将所述语音指令转换为文本信息;
步骤S2,对所述文本信息进行语义分析,以得到核心词汇和与其相关的关联词汇之间的依存关系信息;
步骤S3,基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容;
步骤S4,根据所述目标成分和所述成分内容生成所述语音指令对应的SQL语句。
在本公开的一些实施例所提供的技术方案中,其一能够根据用户的语音指令生成对应的SQL语句,简化了生成SQL语句的过程,为SQL代码的智能化编写提供了一种新的技术方案;其二对语音指令转换的文本信息进行语义分析后提取核心词汇和关联词汇之间的依存关系信息,可以丢弃语音指令中冗杂的信息,而只根据提取的重要信息生成SQL语句,提高SQL语句生成的效率和准确性;其三是能够不预先设定SQL语句的类型,而是根据语义分析的结果提取目标成分后,再提取目标成分对应的成分内容,提高了SQL语句生成方法的实用性和广泛性。
下面,将结合附图及实施例对本示例实施方式中的SQL语句生成方法的各个步骤进行更详细的说明。
步骤S1,接收用户的语音指令,并将所述语音指令转换为文本信息。
在本公开的一个实施例中,首先需要接收用户的语音输入作为语音指令,然后利用语音识别工具将语音指令转换为文本信息。语音识别工具可以是科大讯飞、阿里云等语音识别,由于语音识别利用现有技术可以实现,本公开在此不做赘述。
优选地,在识别为文本数据时,可以结合语料库进行识别。语料库可以是结合业务需求构建的专用语料库作为基本语料库,也可以是根据自身的需求对现有的专用语料库进行增加、删除和修改得到基本语料库。由于使用语料库来辅助识别,可以将用户在业务领域中的专有名词进行识别,识别效果更加精准。
在利用语音识别工具识别出文本信息后,服务器将识别出的文本信息发送至终端以供用户查看,用户可以对识别结果进行修改,并将修改后的文本信息用于后续的语义分析。
步骤S2,对所述文本信息进行语义分析,以得到核心词汇和与其相关的关联词汇之间的依存关系信息。
在本公开的一个实施例中,在对文本信息进行语义分析之前,还包括:步骤S20,对文本信息进行分词得到分词文本信息,以便于后续进行语义分析。具体而言,步骤S20的具体过程如下:
步骤S201,对所述文本信息进行预分词处理,以提取语料库特征词汇;
步骤S202,从预设的各基本语料库中选择与所述语料库特征词汇匹配的目标语料库;
步骤S203,基于所述目标语料库对所述文本信息进行分词处理,以得到多个词汇作为分词文本信息。
在步骤S201和S202中,由于业务需求的不同,创建的专用语料库也有所不同,因此需要提取文本信息中的语料库特征词汇,进而选定目标语料库进行分词处理。预分词处理与分词处理类似,只是目的是为了提取语料库特征词汇。
举例来说,制作公司业绩报表和统计商品信息是不同的业务,对应的基本语料库不同。以用户的语音指令为“我想制作一个有关第一季度某分公司的业绩的总和的报表”为例,其中可以提取出“报表”为语料库特征词汇,根据这个特征词汇,可以选择业绩报表对应的基本语料库来进行分词处理。
在步骤S203中,分词指的是将一个汉字序列切分成一个一个单独的词汇。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。分词方法可以是基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法,再结合选定的目标语料库完成对文本信息的分词处理。可以利用分词工具完成上述过程,例如结巴分词、SnowNLP、THULAC等分词工具。
优选地,还可以在现有的分词方法基础上增加停用词和特殊符号的过滤,可以进一步提高分词的准确率。
在本公开的一个实施例中,对所述文本信息进行语义分析,以得到核心词汇和与其相关的关联词汇之间的依存关系信息,包括以下步骤:
步骤S21,对所述分词文本信息中的词汇进行词性标注。
在步骤S21中,词性标注是指为分词结果中的每个单词标注一个正确的词性的程序,也即确定每个词是什么词性的过程。词性例如名词、动词、形容词、副词、介词、量词或者其他词性。
分词文本信息中包括了分词处理之后的多个词汇片段,对分词文本信息中的词汇采用上述方法进行词性标注,便可得到各词汇的词性信息。可以使用基于最大熵的词性标注、基于统计最大概率输出词性以及基于HMM的词性标注方法等进行词性标注,利用LTP工具完成词性标注。本公开在此对词性标注的具体内容也不做过多赘述。
步骤S22,根据词性标注后的分词文本信息中具有谓语词性的词汇数量进行语义分析,以确定所述核心词汇和所述依存关系信息。
在步骤S22中,具体包括以下步骤:
步骤S221,对所述分词文本信息进行依存句法分析以得到第一依存关系信息;以及
步骤S222,计算所述分词文本信息中具有谓语词性的词汇数量N,其中,N为正整数;
步骤S223,在N=1时,将所述具有谓语词性的词汇配置为所述核心词汇,并将所述第一依存关系信息配置为所述依存关系信息;
步骤S224,在N>1时,对所述分词文本信息进行语义角色标注以得到所述核心词汇,并基于所述核心词汇从所述第一依存关系信息中提取所述依存关系信息。
在步骤S221中,需要对分词文本信息进行依存句法分析。句法分析是自然语言处理中的关键底层技术之一,句法分析中以获取局部成分为目的的句法分析,被称为依存分析。依存句法分析可以识别出句子所包含的句法成分以及这些成分之间的关系,也就是说可以通过分析一个句子的句法,提炼出句子中的名词成分以及对该名词的描述字段。
具体而言,可以采用基于图的依存句法分析方法,将句法分析问题转化为从完全有向图中寻找最大生成树的问题。首先计算每一个依存子树的权重,然后将这些子树的权重相加,得到整个依存树的权重,来用于寻找最大生成树。当然也可以采用其他的依存句法分析方法,例如PCFG(概率上下文无关语法)、基于词典的PCFG以及基于贪心决策动作的拼接句法树等方法,以获取第一依存关系信息,即词汇之间相互对应的关系。
图2示意性示出本公开示例性实施例中一种依存句法分析结果的示意图。举例来说,还是以“我想制作一个有关第一季度某分公司的业绩的总和的报表”这句话为例,“想”是整个句子的核心词,对应在树中就是根节点,“我”和“要求”是核心词下的依赖词,也就是根节点下对应的叶子结点,以此类推,最后得到的依存弧效果图如图2所示。
在步骤S222中,计算分词文本信息中具有谓语词性的词汇数量。再对分词文本中的各个词汇词性标注之后,可以得到各个词汇的习性,对具有谓语词性的词汇进行统计,就可以得到N值,N为正整数。
需要说明的是,本公开对步骤S221和步骤S222的执行顺序不做具体限定,可以同时执行,也可以具有先后顺序。
在步骤S223中,是N=1的情况。由于文本信息中只有一个谓语,因此,这个谓语就被确定为核心词汇。文本信息中其他词汇都是与核心词相关的关联词汇,因此,步骤S221中得到的词汇之间的一次关系就可以作为依存关系信息。
在步骤S224中,是N>1的情况。此时需要首先从多个谓语中选择核心词汇,再选取与核心词汇相关的关联词汇,最后根据核心词汇和关联词汇从第一依存关系信息中提取对应的依存关系信息。
还是以“我想制作一个有关第一季度某分公司的业绩的总和的报表”这句话为例,句子中有两个谓语,也就有两个动宾关系的组合,分别是“想,制作”和“制作,报表”,但是从词性来看,“想,制作”都是动词,可知“想”和“制作一个有关第一季度某公司的业绩的总和的报表”之间是动宾关系,而“制作,报表”两者之间是动词和名词的组合,因此这个“制作”才是本文真正需要关注的谓语,谓语后面的部分是描述报表的关键部分。因此,在分词文本信息中包括多个谓语时,还需要进一步分析多个谓语所关联的论元信息,进而确定核心词汇和依存关系信息。
首先是对分词文本信息进行语义角色标注以得到核心词汇。语义角色标注是浅层语义分析的一种,它以句子为单位,不对句子所包含的予以信息进行深入分析,而只是分析句子的谓词-论元结构。论元是指跟谓词搭配的名词,每个动词都有自己的论元结构,语义角色标注的任务就是以句子的谓词为中心,研究句子中各成分与谓词之间的关系,并且用语义角色来描述它们之间的关系。
具体过程如下,将分词后的文本数据进行向量化处理,然后利用深度学习模型进行特征向量的提取,最后基于特征提取的结果确定核心词汇。举例来说,可以先利用ERNIE预训练模型将分词后的文本数据进行向量化处理得到词向量,然后将结果传入BiGRU模型或者BiLSTM模型进行特征提取,最后将特征提取的结果作为输入传入CRF进行计算,通过CRF层输出概率最大标签序列,进而确定核心词汇,得到的提取结果更加准确。
然后,根据第一依存关系信息可以确定与核心词汇相关的关联词汇。需要说明的是,与核心词汇相关的词汇是关联词汇,与这些关联词汇相关的词汇也是关联词汇。如上述例子中,与“制作”相关的联词汇有“报表”,而与“报表”相关的联词汇有“总和”“业绩”“某分公司”“第一季度”等,将这些词筛选出来作为关联词汇。
最后,基于核心词汇和关联词汇之间的依存关系提取依存关系信息。依存关系信息可以存储为数据字典,表示两个词语的依存关系。例如,依存关系信息可以是(某分公司,第一季度)、(业绩、某分公司)、(总和,业绩)。
在本公开的一个实施例中,当N=1时,所述方法还包括:对所述分词文本信息进行语义角色标注以得到第一核心词汇;在所述具有谓语词性的词汇和所述第一核心词汇匹配时,将所述具有谓语词性的词汇配置为所述核心词汇。
在文本信息中只有一个谓语时,为了进一步验证核心词汇的准确性,可以对词文本信息进行语义角色标注以识别第一核心词汇,再将第一核心词汇与该谓语词汇进行比较,当两个完全相同时,才进行后续的操作,确保SQL语句生成的准确性。
步骤S3,基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容。
在本公开的一个实施例中,所述基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容,包括:
步骤S31,预先根据SQL语句的类型构建关键词与成分的第一映射信息,以及根据SQL语句的内容构建关键词与语句内容的第二映射信息;
步骤S32,将所述核心词汇和所述关联词汇与所述关键词进行匹配以确定所述核心词汇对应的第一关键词和所述关联词汇对应的第二关键词;
步骤S33,利用所述第一映射信息提取与所述第一关键词对应的多个成分作为所述目标成分;
步骤S34,利用所述第二映射信息提取与所述第二关键词对应的语句内容,并基于所述依存关系信息将所述语句内容进行组合以确定所述成分内容。
在步骤S31中,预先根据SQL语句的类型构建第一映射信息。具体来说,SQL语句的类型可以是查询SELECT、删除DELETE、修改UPDATE、增加INSERT等指令,不同的指令对应的SQL语句的成分不同。例如,查询任务中,所需的SQL语句成分包括SELECT、FROM、WHERE,增加任务中,所需的SQL语句成分包括INSERT、VALUES。基于此,预先构建不同类型的SQL语句中关键词与成分之间的映射关系,以便根据在确定关键词后,根据映射关系提取到相应的目标成分。
在构建关键词时,可以使用聚合关键词的方法,将多个词与同一个关键词绑定。举例来说,如果关键词为“查询”,而用户的语音指令中不一定每次都包括“查询”一词,通过语义可以知道,“我想查…”、“请找…”等句式都是表达查询的含义,一次可以将“查”、“找”等与“查询”含义实质相同的词进行聚合,都与“查询”进行绑定,可以进一步提高指令中关键词匹配的成功率,进而提高SQL语句的生成效率。
需要说明的是,不仅是表达含义相同的词可以构建映射关系,还可以将必要的步骤关联起来,例如“制作”一词,想要实现制作的目的,则一定需要“查找”的步骤,在查找之后才能制作。
另外,还需要预先根据SQL语句的内容构建关键词与语句内容的第二映射信息。具体来说,用户指令中的某些词语可以直接转换为SQL语句的内容,例如,用户的指令信息中包括“第一季度”,对应的SQL语句则是“一月OR二月OR三月”,还可例如“总和”对应的SQL语句则是SUM函数。预先构建这些映射关系,可以提高生成SQL语句的准确度。
与构建第一映射信息类似,在构建关键词时,也可以使用聚合关键词的方法。
在步骤S34中,在提取到第二关键词对应的语句内容,还需要基于所述依存关系信息将语句内容进行组合。举例来说,第二关键词“第一季度”对应的语句内容可以根据第二映射信息提取,而根据依存关系信息确定WHERE成分对应的内容是(某分公司,第一季度),因此将语句内容进行组合得到“某分公司AND一月OR二月OR三月”作为WHERE成分对应的成分内容。
在本公开的一个实施例中,在所述根据所述目标成分和所述成分内容生成所述语音指令对应的SQL语句之前,所述方法还包括:响应于用户的添加指令,获取所述添加指令对应的目标成分和/或成分内容以用于生成所述SQL语句。
具体地,为了进一步确保生成SQL语句的准确性,本公开提供的方法支持相应用户的添加指令,来根据需求自主添加目标成分和对应的成分内容。需要说明的是,添加指令也可以是修改指令、删除指令等等对目标成分和/或成分内容更改的指令,可以在语义识别之前或之后执行。
举例来说,在一些生成增加或删改SQL语句时,对数据库表名、列名的准确性要求较高,因此用户可以手动选择或修改识别结果,可以进一步提高生成语句的准确性。
在本公开的一个实施例中,在所述基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容之后,所述方法还包括:将所述成分内容对应的目标成分与提取的目标成分进行比较;在比较结果为缺失时,根据缺失的目标成分生成缺失提示信息。
根据语义分析可以提取相应的目标成分,然后再获取目标成分对应的目标内容,为了避免由于缺少关键信息而造成的SQL语句生成失败,本公开提供的方法能够对识别结果进行预判断,当缺少重要信息时,可以向用户发送缺失提示信息。
比如,当根据用户的语音指令提取到目标成分包括A、B、C三种,而只识别到A、B对应的成分内容a、b时,由于缺少C对应的成分内容而无法生成SQL语句,此时会生成缺失提示信息,提醒用户需要C对应的成分内容。
步骤S4,根据所述目标成分和所述成分内容生成所述语音指令对应的SQL语句。
在本公开的一个实施例中,将目标成分对应的成分内容按照SQL语句的语法规则填写到相应的目标成分位置中就可以生成SQL语句。
以SELECT语句为例,SELECT语句用于从数据库中选取数据,并将结果被存储在一个结果表中,其基本语句包含了数据表表头的名称,以及数据库中指定数据表的名称,其基本语句如下:
SELECT column_name1,column_name2
FROM table_name
WHERE column_name1operator value
该语句的意思是从名为table_name的数据表中提取表头名为column_name1和column_name2的数据,其中WHERE后的内容表示从column_name1中提取的数据需要符合一定的条件。根据SELECT语句的基本语法就可以生成SQL语句。
以上述的语音指令“我想制作一个有关第一季度某分公司的业绩的总和的报表”这句话为例,结合语义分析的结果,可以生成以下的SELECT语句:
SELECT SUM(业绩)
FROM COMPANY
WHERE某分公司AND一月OR二月OR三月
图3示意性示出本公开示例性实施例中另一种SQL语句生成方法的流程示意图,如图3所示,本公开的SQL语句生成方法步骤如下:步骤S301,接收用户的语音输入;步骤S302,选择目标语料库;步骤S303,利用目标语料库对语音输入进行语音识别;步骤S304,确定核心词汇;步骤S305,确定依存关系数据;步骤S306,提取多个目标成分;步骤S307,提取多个目标成分对应的成分内容;步骤S308,根据提取的结果生成SQL语句。
在本公开的一个实施例中,在所述对所述文本信息进行语义分析之后,所述方法还包括:确定所述语音指令对应执行信息;根据所述执行信息执行所述SQL语句以得到所述语音指令对应的执行结果。
具体而言,用户的指令信息包含多种意图,不一定可以通过执行SQL语句可以直接完成。举例来说,如果用户说的是“查询XX信息”,那么执行SELECT语句即可实现用户的意图,但如果用户说的是“制作XX报表”,那么只能先查询相关的信息,再根据查询到信息制作报表,查询的过程也可能需要执行多次查询语句。
所以,需要在接收到用户的语音信息后获取执行信息,再根据执行信息确定如何使用执行SQL语句的结果,进而得到用户想要的执行结果。以语义分析提取的核心词汇为“制作”为例,执行信息就包括第一操作和第二操作,第一操作是执行自动生成的SELECT语句,第二操作是制作报表,具体过程是根据识别的依存关系信息判断报表的形式,以及主表头、子表头内容等信息,然后寻找合适的报表模板将查询的数据填充进去,以生成报表才是用户的语音指令对应的执行结果。
在本公开的一个实施例中,所述方法还包括:预先根据语义分析的结果构建句式与核心词汇之间的第三映射信息;对所述文本信息进行句式识别;在识别结果中包括与所述句式匹配的目标句式时,利用所述第三映射信息确定所述核心词汇以生成所述SQL语句。
举例来说,在对“我想制作一个有关第一季度某分公司的业绩的总和的报表”这句话进行语义分析之后,确定了核心词汇是“制作”,提取成分内容的关联词汇是从“第一季度某分公司的业绩的总和”进行识别。因此,如果之后用户的语音是“我想制作一个有关XX的报表”就可以直接确定核心词汇是“制作”,进而提高SQL语句的生成效率。
所以,可以将“我想制作一个有关XX的报表”作为句式存储对应的语义分析结果,在获取到的语音指令中包括这个句式,或者是用户按照指定的句式进行语音输入,就可以直接提取核心词汇,而不必再进行语义角色标注。
基于上述方法,利用语音识别技术和语义分析技术,用户只需要输入指令式的语音信息,***便可以自动编写对应的SQL代码,简化了SQL语句的生成过程,给SQL代码的智能化编写提供了一种思路。另外,本公开将文字信息和SQL语句中的成分进行了映射,进一步拓展了自然语言处理技术在SQL代码编写中的应用范围。
图4示意性示出本公开示例性实施例中一种SQL语句生成装置的组成示意图,如图4所示,该SQL语句生成装置400可以包括接收模块401、分析模块402、提取模块403以及生成模块404。其中:
接收模块401,用于接收用户的语音指令,并将所述语音指令转换为文本信息;
分析模块402,用于对所述文本信息进行语义分析,以得到核心词汇和与其相关的关联词汇之间的依存关系信息;
提取模块403,用于基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容;
生成模块404,用于根据所述目标成分和所述成分内容生成所述语音指令对应的SQL语句。
根据本公开的一些实施例,基于前述方案,所述SQL语句生成装置还包括分析模块(图中未示出),用于对所述文本信息进行预分词处理,以提取语料库特征词汇;从预设的各基本语料库中选择与所述语料库特征词汇匹配的目标语料库;基于所述目标语料库对所述文本信息进行分词处理,以得到多个词汇作为分词文本信息。
根据本公开的一些实施例,基于前述方案,所述分析模块包括词性标注单元和语义分析单元(图中未示出),词性标注单元用于对所述分词文本信息中的词汇进行词性标注;语义分析单元用于根据词性标注后的分词文本信息中具有谓语词性的词汇数量进行语义分析,以确定所述核心词汇和所述依存关系信息。
根据本公开的一些实施例,基于前述方案,所述语义分析单元用于对所述分词文本信息进行依存句法分析以得到第一依存关系信息;以及计算所述分词文本信息中具有谓语词性的词汇数量N,其中,N为正整数;在N=1时,将所述具有谓语词性的词汇配置为所述核心词汇,并将所述第一依存关系信息配置为所述依存关系信息;在N>1时,对所述分词文本信息进行语义角色标注以得到所述核心词汇,并基于所述核心词汇从所述第一依存关系信息中提取所述依存关系信息。
根据本公开的一些实施例,基于前述方案,所述语义分析单元还用于在N=1时,对所述分词文本信息进行语义角色标注以得到第一核心词汇;在所述具有谓语词性的词汇和所述第一核心词汇匹配时,将所述具有谓语词性的词汇配置为所述核心词汇。
根据本公开的一些实施例,基于前述方案,所述提取模块用于预先根据SQL语句的类型构建关键词与成分的第一映射信息,以及根据SQL语句的内容构建关键词与语句内容的第二映射信息;将所述核心词汇和所述关联词汇与所述关键词进行匹配以确定所述核心词汇对应的第一关键词和所述关联词汇对应的第二关键词;利用所述第一映射信息提取与所述第一关键词对应的多个成分作为所述目标成分;利用所述第二映射信息提取与所述第二关键词对应的语句内容,并基于所述依存关系信息将所述语句内容进行组合以确定所述成分内容。
根据本公开的一些实施例,基于前述方案,所述提取模块还包括添加单元,用于响应于用户的添加指令,获取所述添加指令对应的目标成分和/或成分内容以用于生成所述SQL语句。
根据本公开的一些实施例,基于前述方案,所述提取模块还包括还包括单元,用于将所述成分内容对应的目标成分与提取的目标成分进行比较;在比较结果为缺失时,根据缺失的目标成分生成缺失提示信息。
根据本公开的一些实施例,基于前述方案,所述SQL语句生成装置还包括执行模块,用于确定所述语音指令对应执行信息;根据所述执行信息执行所述SQL语句以得到所述语音指令对应的执行结果。
根据本公开的一些实施例,基于前述方案,所述SQL语句生成装置还包括识别模块,用于预先根据语义分析的结果构建句式与核心词汇之间的第三映射信息;对所述文本信息进行句式识别;在识别结果中包括与所述句式匹配的目标句式时,利用所述第三映射信息确定所述核心词汇以生成所述SQL语句。
上述的SQL语句生成装置400中各模块的具体细节已经在对应的SQL语句生成方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的存储介质。图5示意性示出本公开示例性实施例中一种计算机可读存储介质的示意图,如图5所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品500,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如手机上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。图6示意性示出本公开示例性实施例中一种电子设备的计算机***的结构示意图。
需要说明的是,图6示出的电子设备的计算机***600仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(Central Processing Unit,CPU)601,其可以根据存储在只读存储器(Read-Only Memory,ROM)602中的程序或者从存储部分608加载到随机访问存储器(Random Access Memory,RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(Input/Output,I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本公开的***中限定的各种功能。
需要说明的是,本公开实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本公开还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (13)
1.一种SQL语句生成方法,其特征在于,包括:
接收用户的语音指令,并将所述语音指令转换为文本信息;
对所述文本信息进行语义分析,以得到核心词汇和与其相关的关联词汇之间的依存关系信息;
基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容;
根据所述目标成分和所述成分内容生成所述语音指令对应的SQL语句。
2.根据权利要求1所述的SQL语句生成方法,其特征在于,在所述对所述文本信息进行语义分析之前,所述方法还包括:
对所述文本信息进行预分词处理,以提取语料库特征词汇;
从预设的各基本语料库中选择与所述语料库特征词汇匹配的目标语料库;
基于所述目标语料库对所述文本信息进行分词处理,以得到多个词汇作为分词文本信息。
3.根据权利要求2所述的SQL语句生成方法,其特征在于,所述对所述文本信息进行语义分析,以得到核心词汇和与其相关的关联词汇之间的依存关系信息,包括:
对所述分词文本信息中的词汇进行词性标注;
根据词性标注后的分词文本信息中具有谓语词性的词汇数量进行语义分析,以确定所述核心词汇和所述依存关系信息。
4.根据权利要求3所述的SQL语句生成方法,其特征在于,所述根据词性标注后的分词文本信息中具有谓语词性的词汇数量进行语义分析,以确定所述核心词汇和所述依存关系信息,包括:
对所述分词文本信息进行依存句法分析以得到第一依存关系信息;以及计算所述分词文本信息中具有谓语词性的词汇数量N,其中,N为正整数;
在N=1时,将所述具有谓语词性的词汇配置为所述核心词汇,并将所述第一依存关系信息配置为所述依存关系信息;
在N>1时,对所述分词文本信息进行语义角色标注以得到所述核心词汇,并基于所述核心词汇从所述第一依存关系信息中提取所述依存关系信息。
5.根据权利要求4所述的SQL语句生成方法,其特征在于,在N=1时,所述方法还包括:
对所述分词文本信息进行语义角色标注以得到第一核心词汇;
在所述具有谓语词性的词汇和所述第一核心词汇匹配时,将所述具有谓语词性的词汇配置为所述核心词汇。
6.根据权利要求1所述的SQL语句生成方法,其特征在于,所述基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容,包括:
预先根据SQL语句的类型构建关键词与成分的第一映射信息,以及根据SQL语句的内容构建关键词与语句内容的第二映射信息;
将所述核心词汇和所述关联词汇与所述关键词进行匹配以确定所述核心词汇对应的第一关键词和所述关联词汇对应的第二关键词;
利用所述第一映射信息提取与所述第一关键词对应的多个成分作为所述目标成分;
利用所述第二映射信息提取与所述第二关键词对应的语句内容,并基于所述依存关系信息将所述语句内容进行组合以确定所述成分内容。
7.根据权利要求1所述的SQL语句生成方法,其特征在于,在所述根据所述目标成分和所述成分内容生成所述语音指令对应的SQL语句之前,所述方法还包括:
响应于用户的添加指令,获取所述添加指令对应的目标成分和/或成分内容以用于生成所述SQL语句。
8.根据权利要求1所述的SQL语句生成方法,其特征在于,在所述基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容之后,所述方法还包括:
将所述成分内容对应的目标成分与提取的目标成分进行比较;
在比较结果为缺失时,根据缺失的目标成分生成缺失提示信息。
9.根据权利要求1所述的SQL语句生成方法,其特征在于,在所述对所述文本信息进行语义分析之后,所述方法还包括:
确定所述语音指令对应执行信息;
根据所述执行信息执行所述SQL语句以得到所述语音指令对应的执行结果。
10.根据权利要求1所述的SQL语句生成方法,其特征在于,所述方法还包括:
预先根据语义分析的结果构建句式与核心词汇之间的第三映射信息;
对所述文本信息进行句式识别;
在识别结果中包括与所述句式匹配的目标句式时,利用所述第三映射信息确定所述核心词汇以生成所述SQL语句。
11.一种SQL语句生成装置,其特征在于,包括:
接收模块,用于接收用户的语音指令,并将所述语音指令转换为文本信息;
分析模块,用于对所述文本信息进行语义分析,以得到核心词汇和与其相关的关联词汇之间的依存关系信息;
提取模块,用于基于所述核心词汇和所述依存关系信息提取目标成分和所述目标成分对应的成分内容;
生成模块,用于根据所述目标成分和所述成分内容生成所述语音指令对应的SQL语句。
12.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1至10任一项所述的SQL语句生成方法。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至10任一项所述的SQL语句生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110203994.7A CN113779062A (zh) | 2021-02-23 | 2021-02-23 | Sql语句生成方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110203994.7A CN113779062A (zh) | 2021-02-23 | 2021-02-23 | Sql语句生成方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113779062A true CN113779062A (zh) | 2021-12-10 |
Family
ID=78835626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110203994.7A Pending CN113779062A (zh) | 2021-02-23 | 2021-02-23 | Sql语句生成方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779062A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936271A (zh) * | 2022-06-27 | 2022-08-23 | 阿里云计算有限公司 | 自然语言转换数据库查询语句的方法、设备及介质 |
US11748392B1 (en) | 2022-09-30 | 2023-09-05 | N. Harris Computer Corporation | Systems and methods for substantially real-time adaptive report generation |
CN117251556A (zh) * | 2023-11-17 | 2023-12-19 | 北京遥领医疗科技有限公司 | 一种登记队列中患者筛选***及方法 |
-
2021
- 2021-02-23 CN CN202110203994.7A patent/CN113779062A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936271A (zh) * | 2022-06-27 | 2022-08-23 | 阿里云计算有限公司 | 自然语言转换数据库查询语句的方法、设备及介质 |
US11748392B1 (en) | 2022-09-30 | 2023-09-05 | N. Harris Computer Corporation | Systems and methods for substantially real-time adaptive report generation |
CN117251556A (zh) * | 2023-11-17 | 2023-12-19 | 北京遥领医疗科技有限公司 | 一种登记队列中患者筛选***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106919655B (zh) | 一种***方法和装置 | |
US9390087B1 (en) | System and method for response generation using linguistic information | |
Tablan et al. | A natural language query interface to structured information | |
Meziane et al. | Generating natural language specifications from UML class diagrams | |
CN104657439B (zh) | 用于自然语言精准检索的结构化查询语句生成***及方法 | |
CN103885938B (zh) | 基于用户反馈的行业拼写错误检查方法 | |
RU2596599C2 (ru) | Система и способ создания и использования пользовательских онтологических моделей для обработки пользовательского текста на естественном языке | |
RU2584457C1 (ru) | Система и способ создания и использования пользовательских семантических словарей для обработки пользовательского текста на естественном языке | |
CN104657440B (zh) | 结构化查询语句生成***及方法 | |
CN114547329A (zh) | 建立预训练语言模型的方法、语义解析方法和装置 | |
CN113779062A (zh) | Sql语句生成方法、装置、存储介质及电子设备 | |
CN109542247B (zh) | 句式推荐方法及装置、电子设备、存储介质 | |
US20030046078A1 (en) | Supervised automatic text generation based on word classes for language modeling | |
CN107656921B (zh) | 一种基于深度学习的短文本依存分析方法 | |
CN102567306B (zh) | 一种不同语言间词汇相似度的获取方法及*** | |
US20220129448A1 (en) | Intelligent dialogue method and apparatus, and storage medium | |
CN110555205B (zh) | 否定语义识别方法及装置、电子设备、存储介质 | |
CN110276080B (zh) | 一种语义处理方法和*** | |
CN113609838B (zh) | 文档信息抽取及图谱化方法和*** | |
US20220245353A1 (en) | System and method for entity labeling in a natural language understanding (nlu) framework | |
WO2023278052A1 (en) | Automated troubleshooter | |
CN117251455A (zh) | 一种基于大模型的智能报表生成方法及其*** | |
Le et al. | Learning compositional semantics for open domain semantic parsing | |
CN112507089A (zh) | 一种基于知识图谱的智能问答引擎及其实现方法 | |
US20220245361A1 (en) | System and method for managing and optimizing lookup source templates in a natural language understanding (nlu) framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |