CN113986958A - 文本信息的转换方法、装置、可读介质和电子设备 - Google Patents

文本信息的转换方法、装置、可读介质和电子设备 Download PDF

Info

Publication number
CN113986958A
CN113986958A CN202111327468.8A CN202111327468A CN113986958A CN 113986958 A CN113986958 A CN 113986958A CN 202111327468 A CN202111327468 A CN 202111327468A CN 113986958 A CN113986958 A CN 113986958A
Authority
CN
China
Prior art keywords
query
decoder
output
model
decoding
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.)
Granted
Application number
CN202111327468.8A
Other languages
English (en)
Other versions
CN113986958B (zh
Inventor
徐叶琛
安哲成
吴培昊
马泽君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202111327468.8A priority Critical patent/CN113986958B/zh
Publication of CN113986958A publication Critical patent/CN113986958A/zh
Application granted granted Critical
Publication of CN113986958B publication Critical patent/CN113986958B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/245—Query processing
    • G06F16/2452—Query translation
    • G06F16/24522—Translation of natural language queries to structured queries
    • 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
    • G06F16/245—Query processing
    • G06F16/2453—Query optimisation
    • G06F16/24534—Query rewriting; Transformation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Neurology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种文本信息的转换方法、装置、可读介质和电子设备，涉及电子信息处理技术，该方法包括：获取查询文本信息，将查询文本信息与目标表格的表格信息，按照预设格式拼接为信息序列，表格信息包括目标表格的列名和列类型，利用预先训练的转换模型，根据信息序列确定对应的表征向量，并根据表征向量确定查询文本信息对应的查询指令，表征向量包括信息序列的文本表征、类型表征和位置表征，转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，基础模型根据多个训练文本信息，以及每个训练文本信息对应的训练查询指令训练得到。本公开通过对基础模型进行知识蒸馏得到转换模型，在保证转换准确率的前提下，能够提高转换效率。

Description

文本信息的转换方法、装置、可读介质和电子设备
技术领域
本公开涉及电子信息处理技术领域，具体地，涉及一种文本信息的转换方法、装置、可读介质和电子设备。
背景技术
随着大数据、云计算等电子信息技术的迅猛发展，相应带来的数据量也呈现爆发式的增长。为了便于后续对数据的处理，海量的数据通常存储在数据库中。当用户需要使用数据库中的数据时，通常需要先编写结构化的数据库查询指令才能与数据库进行交互，以获取满足具体需求的数据。查询指令的编写比较复杂，具有一定的技术门槛，给用户带来了不便。因此，通过语义理解，将自然语言转换为查询指令，能够降低数据库查询的技术门槛，简化查询操作的复杂度。通常情况下，需要通过多任务或者抽象语法树等方式来实现对自然语言的转换，相应的参数规模往往非常庞大，转换效率较低，很难适用于现实场景。
发明内容
提供该部分内容以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该部分内容并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种文本信息的转换方法，所述方法包括：
获取查询文本信息；
将所述查询文本信息与目标表格的表格信息，按照预设格式拼接为信息序列，所述表格信息包括所述目标表格的列名和列类型；
利用预先训练的转换模型，根据所述信息序列确定对应的表征向量，并根据所述表征向量确定所述查询文本信息对应的查询指令，所述表征向量包括所述信息序列的文本表征、类型表征和位置表征，所述转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，所述基础模型根据多个训练文本信息，以及每个所述训练文本信息对应的训练查询指令训练得到。
第二方面，本公开提供一种文本信息的转换装置，所述装置包括：
获取模块，用于获取查询文本信息；
拼接模块，用于将所述查询文本信息与目标表格的表格信息，按照预设格式拼接为信息序列，所述表格信息包括所述目标表格的列名和列类型；
转换模块，用于利用预先训练的转换模型，根据所述信息序列确定对应的表征向量，并根据所述表征向量确定所述查询文本信息对应的查询指令，所述表征向量包括所述信息序列的文本表征、类型表征和位置表征，所述转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，所述基础模型根据多个训练文本信息，以及每个所述训练文本信息对应的训练查询指令训练得到。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，本公开首先获取查询文本信息，然后将查询文本信息与目标表格的列名和列类型，按照预设格式拼接为信息序列。最后利用预先训练的转换模型，根据信息序列确定对应的表征向量，并根据表征向量确定查询文本信息对应的查询指令。其中，表征向量包括信息序列的文本表征、类型表征和位置表征，转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，基础模型是根据多个训练文本信息，以及每个训练文本信息对应的训练查询指令训练得到的。本公开通过对基础模型进行知识蒸馏得到转换模型，缩小了模型的参数规模，在保证转换准确率的前提下，能够提高文本信息的转换效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种文本信息的转换方法的流程图；
图2是根据一示例性实施例示出的一种转换模型的结构示意图；
图3是根据一示例性实施例示出的另一种文本信息的转换方法的流程图；
图4是根据一示例性实施例示出的另一种转换模型的结构示意图；
图5是根据一示例性实施例示出的一种训练基础模型以及转换模型的流程图；
图6是根据一示例性实施例示出的另一种训练基础模型以及转换模型的流程图；
图7是根据一示例性实施例示出的一种文本信息的转换装置的框图；
图8是根据一示例性实施例示出的另一种文本信息的转换装置的框图；
图9是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种文本信息的转换方法的流程图，如图1所示，该方法包括以下步骤：
步骤101，获取查询文本信息。
步骤102，将查询文本信息与目标表格的表格信息，按照预设格式拼接为信息序列，表格信息包括目标表格的列名和列类型。
举例来说，本公开的执行主体可以为能够访问数据库的终端设备，其中，终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端，以及诸如数字TV、台式计算机等等的固定终端。数据库可以是存储在终端设备本地的数据库，也可以是存储在服务器上的数据库，本公开对此不作具体限定。
当用户需要查询数据库中的数据时，可以通过自然语言来描述具体的查询需求，终端设备可以根据查询需求获取对应的查询文本信息。例如用户可以说出查询需求，终端设备上的语音采集装置(例如：麦克风)采集用户话语的音频，然后终端设备可以对采集到的音频进行语音识别，以将音频转换为文本(即Text)，即查询文本信息。再比如，用户也可以通过终端设备录入查询需求，终端设备可以将用户录入的文本作为查询文本信息。
之后，可以将查询文本信息和目标表格的表格信息进行拼接，以得到既包括查询文本信息，又包括表格信息的信息序列。其中，目标表格可以理解为预先指定的数据库中存储的一个或多个表格，即用户查询的范围。相应的，表格信息可以包括目标表格中每个列的列名、列类型(可以理解为该列中存储的数据的类型，例如：整型、字符串等)。表格信息还可以包括每个列的ID、顺序、数值范围等信息。表格信息也可以包括目标表格的表格名、表格ID、列数、行数等信息。查询文本信息与表格信息，可以按照预设格式进行拼接，以得到信息序列，预设格式可以用于指示查询文本信息与表格信息在信息序列中的顺序，还可以用于指示查询文本信息与表格信息之间的分隔符。例如，预设格式可以是：查询文本信息+“SEP”+列名1+列类型1+“SEP”+列名2+列类型2+“SEP”+……“SEP”+列名n+列类型n+……。其中，“SEP”表示预设的分隔符，可以理解为分隔符将信息序列分割为多个信息单元。列名n表示目标表格中的第n列的列名，列类型n表示目标表格中的第n列的列类型。预设格式还可以是其他格式，本公开对此不作限定。
步骤103，利用预先训练的转换模型，根据信息序列确定对应的表征向量，并根据表征向量确定查询文本信息对应的查询指令，表征向量包括信息序列的文本表征、类型表征和位置表征，转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，基础模型根据多个训练文本信息，以及每个训练文本信息对应的训练查询指令训练得到。
示例的，为了实现将自然语言转换为结构化的查询指令，可以预先采集大量的训练文本信息，以及每个训练文本信息对应的训练查询指令，以训练基础模型，基础模型能够将训练文本信息，转换为训练查询指令。基础模型的结构例如可以包括：嵌入层、编码层、解码层，嵌入层用于将训练文本信息转换为能够表征训练文本信息的向量，编码层用于对转换得到的向量进行编码，得到编码后的向量，解码层用于对编码后的向量进行解码，以得到训练查询指令。
在训练得到基础模型之后，可以按照预设的蒸馏损失对基础模型进行知识蒸馏，得到转换模型，知识蒸馏能够使转换模型的转换准确率与基础模型的转换准确率接近的前提下，减少转换模型的参数规模，即知识蒸馏后得到的转换模型的参数规模要小于基础模型的参数规模，这样，能够在保证转换准确率的前提下，提高文本信息的转换效率。具体的，转换模型能够根据信息序列确定对应的表征向量，表征向量包括了信息序列的文本表征、类型表征和位置表征。其中，文本表征可以理解为从文本的维度对信息序列的表征，文本即为信息序列包含的内容本身。类型表征可以理解为从类型的维度对信息序列的表征，类型即为信息序列中每个信息单元的数据类型。位置表征可以理解为从位置的维度对信息序列的表征，位置即为信息序列中每个信息单元在信息序列中的位置。也就是说表征向量能够从文本、类型、位置多个维度来表征信息序列，使得转换模型能够充分学习信息序列包含的信息量。在得到表征向量之后，转换模型可以根据表征向量确定查询文本信息对应的查询指令，以将查询指令作为转换模型的输出。进一步的，可以将转换模型输出的查询指令发送至数据库，数据库执行查询指令，并将查询指令的执行结果，即查询到的数据反馈至终端设备。其中，查询指令例如可以是SQL(英文：Structured Query Language，中文：结构化查询语言)指令，也可以是其他数据库查询指令。以查询指令为SQL指令为例，那么查询指令可以分为查询片段和条件片段两部分，可以表示为：
SELECT($AGG$COLUMN)#
WHERE$WOP($COLUMN$OP{$VALUE,$SQL})#
其中，SELECT后的内容为查询片段，查询片段中的一个()内，为一个查询目标，#表示可以有一个或多个查询目标，每个查询目标中的$AGG表示聚合函数(例如可以是：空、平均值、最大值、最小值等)，$COLUMN表示列名(也可以理解为查询指令所需要召回的列名)。WHERE后的内容为条件片段，条件片段中的一个()内，为一个筛选条件，#表示可以有一个或多个筛选条件，$WOP表示多个筛选条件之间的关联关系(例如可以是：AND或者OR)，每个筛选条件中的$COLUMN表示列名(也可以理解为该筛选条件需要召回的列名)，$OP表示查询操作符(例如可以是：大于、小于、不等于、等于、between…and等)，$VALUE表示查询值，$SQL表示嵌套查询。
以查询文本信息为“价格超过10元的水果”，那么对应的查询指令可以为：
SELECT“水果”
WHERE“价格”>10
这样，通过对基础模型进行知识蒸馏得到转换模型，缩小了转换模型的参数规模，提高了文本信息的转换效率。转换效率高，即转换速度快，时延小，使得本公开能够部署在现实场景中，进一步提高了文本信息转换的实用性和可操作性。
综上所述，本公开首先获取查询文本信息，然后将查询文本信息与目标表格的列名和列类型，按照预设格式拼接为信息序列。最后利用预先训练的转换模型，根据信息序列确定对应的表征向量，并根据表征向量确定查询文本信息对应的查询指令。其中，表征向量包括信息序列的文本表征、类型表征和位置表征，转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，基础模型是根据多个训练文本信息，以及每个训练文本信息对应的训练查询指令训练得到的。本公开通过对基础模型进行知识蒸馏得到转换模型，缩小了模型的参数规模，在保证转换准确率的前提下，能够提高文本信息的转换效率。
在一种应用场景中，转换模型的结构可以如图2所示，包括：嵌入层(英文：Embedding Layer)、编码层和解码层。嵌入层的输入作为转换模型的输入，嵌入层的输出作为编码层的输入，编码层的输出作为解码层的输入，解码层的输出即为转换模型的输出。相应的，图3是根据一示例性实施例示出的另一种文本信息的转换方法的流程图，如图3所示，步骤103可以包括：
步骤1031，将信息序列输入嵌入层，以得到嵌入层输出的信息序列的文本表征、类型表征和位置表征，并根据信息序列的文本表征、类型表征和位置表征，生成表征向量。
步骤1032，将表征向量输入编码层，以得到编码层输出的表征向量对应的编码向量，编码向量用于表征查询文本信息，与目标表格的列名之间的链接关系。
步骤1033，将编码向量输入解码层，以根据解码层的输出确定查询指令。
举例来说，可以先将信息序列输入嵌入层，嵌入层可以分别提取信息序列的文本表征(可以表示为：Token Embedding)、类型表征(可以表示为：Type Embedding)和位置表征(可以表示为：Position Embedding)，然后将文本表征、类型表征和位置表征拼接为表征向量。具体的，嵌入层中可以包括三个并列的嵌入子层，分别用于提取信息序列的文本表征、类型表征和位置表征，然后将三个嵌入子层的输出通过Concat处理，以将文本表征、类型表征和位置表征进行拼接，得到表征向量。
之后，可以将表征向量输入编码层，以使编码层对表征向量进行深度编码，得到编码向量，其中，编码向量能够表征查询文本信息与目标表格中的列名之间的链接关系。也就是说，编码向量能够反映查询文本信息对应目标表格中的哪些列。具体的，编码层中可以包括多个依次相连的编码器(例如可以是Transformer中的Encoder)，从而实现对表征向量进行深度编码。进一步的，可以将编码向量输入解码层，由解码层对编码向量进行解码，以根据解码层的输出确定查询指令。具体的，解码层可以包括多个并列的解码器(例如可以是Transformer中的Decoder)，每个解码器用于识别查询指令的一种参数，参数例如可以是查询指令的查询目标或者筛选条件，也可以是查询目标中的列名，或者筛选条件的中列名等。将编码向量分别输入每个解码器，以得到每个解码器的输出，然后再根据所有解码器的输出确定查询指令。
在另一种实现方式中，转换模型的结构可以如图4所示，编码层中可以包括多个依次相连的编码器，解码层包括多个解码器。
相应的，步骤1033的实现方式可以包括：
步骤1)将编码向量分别输入多个解码器，以得到每个解码器输出的解码结果。
步骤2)根据多个解码器对应的解码结果，确定查询片段包括的目标列和目标函数，并根据多个解码器对应的解码结果，确定条件片段包括的目标条件。
步骤3)根据查询片段和条件片段，确定查询指令。
示例的，解码层包括多个解码器，将编码向量分别输入多个解码器，以得到每个解码器输出的解码结果。多个解码器中，可以分为针对查询片段的解码器，即用于识别查询指令中查询片段的解码器，和针对条件片段的解码器，即用于识别查询指令中条件片段的解码器。相应的，可以根据针对查询片段的解码器的解码结果，确定查询片段的目标列(即查询目标中的$COLUMN)和目标函数(即查询目标中的$AGG)。同时，可以根据针对条件片段的解码器的解码结果，确定条件片段包括的目标条件(即筛选条件)。最后，可以根据查询片段和条件片段，确定查询指令，例如，可以将查询片段和条件片段拼接为查询指令。
以下分别对针对查询片段的解码器和针对条件片段的解码器进行说明。
在又一种应用场景中，解码层的结构可以包括9个解码器，针对查询片段的解码器可以包括：第一查询解码器、第二查询解码器、第三查询解码器。针对条件片段的解码器可以包括：第一条件解码器、第二条件解码器、第三条件解码器、第四条件解码器、第五条件解码器和第六条件解码器。
其中，第一查询解码器对应的解码结果用于指示目标列的数量。第二查询解码器对应的解码结果用于指示目标表格中的至少一个目标列。第三查询解码器对应的解码结果用于指示每个目标列对应的目标函数。
举例来说，第一查询解码器可以表示为S-num，用于预测查询片段中目标列的数量，即S-num对应的解码结果用于指示目标列的数量，目标列的数量即为查询目标的数量。第二查询解码器可以表示为S-col，用于预测目标表格中的目标列，目标列可以是一个或多个，即S-col对应的解码结果用于指示目标表格中的目标列，即查询目标中的$COLUMN。第二查询解码器可以是二分类任务，分别对目标表格中的每个列进行预测，预测该列是否为目标列，例如：是目标列，第二查询解码器输出的解码结果即为1，不是目标列，第二查询解码器输出的解码结果即为0。第三查询解码器可以表示为S-col-agg，用于预测每个目标列对应的目标函数，即S-col-agg对应的解码结果用于指示每个目标列对应的目标函数，即查询目标中的$AGG，目标函数例如可以是：空、平均值、最大值、最小值等。
相应的，步骤2)的实现方式可以为：
根据第一查询解码器、第二查询解码器和第三查询解码器对应的解码结果，确定查询片段。
例如，S-num对应的解码结果为2，表示有两个目标列。目标表格中包括5个列，S-col对应的解码结果为01100，表示目标表格中的第二个列(表示为B)、第三个列(表示为C)为目标列。S-col-agg对应的解码结果为MAX和MIN，表示查询目标为第二个列中满足筛选条件的最大值，以及第三个列中满足筛选条件的最小值。那么查询片段即为：SELECT MAX(B)MIN(C)。
第一条件解码器对应的解码结果用于指示目标条件的数量，以及每个目标条件之间的关联关系。第二条件解码器对应的解码结果用于指示目标表格中，每个目标条件对应的查询列。第三条件解码器对应的解码结果用于指示每个目标条件对应的查询操作符。第四条件解码器对应的解码结果用于指示每个目标条件对应的查询值。第五条件解码器对应的解码结果用于指示每个目标条件对应的查询列与查询值的匹配度。第六条件解码器对应的解码结果用于指示每个目标条件对应的嵌套查询标识。
示例的，第一条件解码器可以表示为W-num-op，用于预测条件片段中目标条件的数量，以及每个目标条件之间的关联关系，即W-num-op对应的解码结果用于指示目标条件的数量，以及每个目标条件之间的关联关系(即$WOP)。关联关系例如可以是AND或者OR。
第二条件解码器可以表示为W-col，用于预测目标表格中的查询列，查询列可以是一个或多个，即W-col对应的解码结果用于指示目标表格中的查询列，即目标条件中的$COLUMN。第二条件解码器同样可以是二分类任务，分别对目标表格中的每个列进行预测，预测该列是否为查询列，例如：是查询列，第二条件解码器输出的解码结果即为1，不是查询列，第二条件解码器输出的解码结果即为0。第三条件解码器可以表示为W-col-op，用于预测每个目标条件对应的查询操作符，即W-col-op对应的解码结果用于指示每个目标条件对应的查询操作符，即目标条件中的$OP，查询操作符例如可以是：大于、小于、不等于、等于、between…and等。第四条件解码器可以表示为W-col-val，用于预测每个目标条件对应的查询值，即W-col-val对应的解码结果用于指示每个目标条件对应的查询值，即目标条件中的$VALUE。第二条件解码器、第三条件解码器以及第四条件解码器对应的解码结果组成一个目标条件的三元组。
第五条件解码器可以表示为W-val-match，用于预测每个目标条件对应的查询列与查询值是否匹配，即W-val-match对应的解码结果用于指示每个目标条件对应的查询列与查询值的匹配度，若匹配度满足预设条件(例如匹配度>80％)，确定查询列与查询值匹配，若匹配度不满足预设条件，确定查询列与查询值不匹配。匹配度可以理解为查询列的列类型，与查询值是否匹配，例如，查询列的列类型为字符串，查询值为整型，那么表示不匹配，再比如，查询列的列类型为整型，查询值为整型，那么表示匹配。进一步的，若第五条件解码器对应的解码结果指示某个目标条件对应的查询列与查询值不匹配，可以删除该目标条件，即不对该目标条件进行转换。
第六条件解码器可以表示为W-sebquery，用于预测每个目标条件是否包括嵌套查询，即W-sebquery对应的解码结果用于指示每个目标条件对应的嵌套查询标识，若为1，表示包括嵌套查询，若为0，表示不包括嵌套查询。嵌套查询即目标条件中的$SQL。
相应的，步骤2)的实现方式可以为：
根据第一条件解码器、第二条件解码器、第三条件解码器、第四条件解码器、第五条件解码器和第六条件解码器对应的解码结果，确定条件片段。
例如，W-num-op对应的解码结果为1，表示有一个目标条件，即有一个查询列(此时关联关系为空)。目标表格中包括5个列，W-col对应的解码结果为00001，表示目标表格中的第五个列(表示为E)为查询列。W-col-op对应的解码结果为大于，W-col-val对应的解码结果为100，表示目标条件为第五个列中>100。W-val-match对应的解码结果指示匹配度为90％，表示查询列与查询值匹配。W-sebquery对应的解码结果为0，表示不包括嵌套查询。那么条件片段即为：WHERE E>100。
这样，通过上述解码器，可以确定查询片段和条件片段，再将查询片段和条件片段进行拼接，得到查询指令：
SELECT MAX(B)MIN(C)
WHERE E>100
图5是根据一示例性实施例示出的一种训练基础模型以及转换模型的流程图，如图5所示，基础模型包括：嵌入层、编码层和解码层，编码层包括依次连接的第一数量个编码器。
基础模型是通过以下方式训练得到的：
步骤A，获取样本输入集和样本输出集，样本输入集包括多个样本输入，样本输入包括训练文本信息与表格信息，样本输出集中包括与每个样本输入对应的样本输出，每个样本输出包括对应的训练查询指令。
步骤B，将样本输入集作为基础模型的输入，将样本输出集作为基础模型的输出，以训练基础模型。
举例来说，要得到转换模型，需要先训练得到基础模型。首先需要先获取样本输入集和样本输出集。样本输入集中包括了多个样本输入，样本输入可以为训练文本信息与表格信息。样本输出集中包括了与每个样本输入对应的样本输出，每个样本输出包括对应的训练文本信息对应的训练查询指令。
在对基础模型训练时，可以将样本输入集作为基础模型的输入，将样本输出集作为基础模型的输出，来训练基础模型，使得在输入样本输入集时，基础模型的输出，能够和样本输出集匹配。例如，可以根据基础模型的输出，与样本输出集确定交叉熵损失，以降低交叉熵损失为目标，利用反向传播算法来修正基础模型中的神经元参数，神经元参数例如可以是神经元的权重(英文：Weight)和偏置量(英文：Bias)。重复上述步骤，直至交叉熵损失满足预设条件，例如交叉熵损失小于预设的损失阈值，以达到训练基础模型的目的。
转换模型是通过以下方式对基础模型进行知识蒸馏得到的：
步骤C，根据基础模型，确定转换模型，转换模型包括：嵌入层、蒸馏编码层和解码层，蒸馏编码层包括依次连接的第二数量个编码器，第二数量小于第一数量。
步骤D，将样本输入集作为转换模型以及基础模型的输入，以得到转换模型的输出和基础模型的输出。
步骤E，根据转换模型的输出、基础模型的输出，和样本输出集确定蒸馏损失。
步骤F，以降低蒸馏损失为目标，利用反向传播算法训练转换模型。
示例的，对基础模型进行知识蒸馏的步骤，可以先根据基础模型建立转换模型，其中，转换模型的嵌入层与基础模型的嵌入层的结构相同，转换模型的解码层与基础模型的解码层的结构相同。转换模型的蒸馏编码层与基础模型的编码层的结构不同，具体的，转换模型的蒸馏编码层包括依次连接的第二数量个编码器，基础模型的编码层包括依次连接的第一数量个编码器，其中第二数量小于第一数量，即转换模型包括的编码器数量，小于基础模型包括的编码器数量。例如，基础模型包括12个编码器，转换模型可以包括2个、4个或者6个编码器。进一步的，转换模型的嵌入层与编码层之间，还可以加入一个线性转换矩阵(例如可以是一个全连接网络)，以增加输入到编码层的表征向量的信息量。
对转换模型进行训练的过程，可以是将样本输入集分别作为转换模型以及训练好的基础模型的输入，以得到转换模型的输出和基础模型的输出。然后，根据转换模型的输出、基础模型的输出，和样本输出集确定蒸馏损失。以降低蒸馏损失为目标，利用反向传播算法来修正转换模型中的神经元参数。重复上述步骤，直至蒸馏损失满足预设条件，例如蒸馏损失小于预设的损失阈值，以达到训练转换模型的目的。
图6是根据一示例性实施例示出的另一种训练基础模型以及转换模型的流程图，如图6所示，步骤E可以通过以下步骤来实现：
步骤E1，根据转换模型的嵌入层的输出和基础模型的嵌入层的输出确定嵌入损失。
步骤E2，根据转换模型的蒸馏编码层的输出和基础模型的编码层的输出确定编码损失。
步骤E3，根据转换模型的解码层的输出和基础模型的解码层的输出确定解码损失。
步骤E4，根据转换模型的输出和样本输出集确定经验损失。
步骤E5，根据嵌入损失、编码损失、解码损失和经验损失，确定蒸馏损失。
示例的，下面对确定蒸馏损失的具体实现方式进行说明。首先，可以根据转换模型的嵌入层的输出和基础模型的嵌入层的输出确定嵌入损失。例如，可以通过公式1来确定嵌入损失：
Lembedding＝MSE(ESWe,ET) 公式1
其中，Lembedding表示嵌入损失，MSE表示均方误差损失函数，ES表示转换模型的嵌入层的输出，We表示线性转换矩阵，ET表示基础模型的嵌入层的输出。
之后，可以根据转换模型的蒸馏编码层的输出和基础模型的编码层的输出确定编码损失。例如，可以通过公式2来确定编码损失：
Figure BDA0003347723190000111
其中，Lencoder表示编码损失，
Figure BDA0003347723190000112
表示转换模型的蒸馏编码层的输出，
Figure BDA0003347723190000113
表示基础模型的编码层的输出。其中，m表示第二数量，n表示第一数量，即m<n。
再根据转换模型的解码层的输出和基础模型的解码层的输出确定解码损失。例如，可以通过公式3来确定解码损失：
Figure BDA0003347723190000114
其中，Ldecoder表示解码损失，CE表示交叉熵损失函数，
Figure BDA0003347723190000115
表示转换模型的解码层中第i个解码器输出的概率分布，
Figure BDA0003347723190000116
表示基础模型的解码层中第i个解码器输出的概率分布，k表示转换模型中包括的解码器的数量。解码损失还可以分为针对查询片段的解码器的损失Ldecoder_SEL和针对条件片段的解码器的损失Ldecoder_WHE。
进一步的，可以根据转换模型的输出和样本输出集确定经验损失。经验损失例如可以是交叉熵损失，例如可以通过公式4来确定：
Figure BDA0003347723190000121
其中，Lout表示经验损失，XS表示转换模型的输出，
Figure BDA0003347723190000122
表示样本输出集中对应的样本输出。
最后，可以根据嵌入损失、编码损失、解码损失和经验损失，确定蒸馏损失。例如，可以将嵌入损失、编码损失、解码损失和经验损失的和作为蒸馏损失。还可以分别设置嵌入损失、编码损失、解码损失和经验损失对应的权重，并进行加权求和，以将加权求和的结果作为蒸馏损失。由于蒸馏损失中还考虑了基础模型的输出，相应引入了基础模型学习到的先验特征，能够提高转换模型的训练效率和转换模型的转换准确率。
综上所述，本公开首先获取查询文本信息，然后将查询文本信息与目标表格的列名和列类型，按照预设格式拼接为信息序列。最后利用预先训练的转换模型，根据信息序列确定对应的表征向量，并根据表征向量确定查询文本信息对应的查询指令。其中，表征向量包括信息序列的文本表征、类型表征和位置表征，转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，基础模型是根据多个训练文本信息，以及每个训练文本信息对应的训练查询指令训练得到的。本公开通过对基础模型进行知识蒸馏得到转换模型，缩小了模型的参数规模，在保证转换准确率的前提下，能够提高文本信息的转换效率。
图7是根据一示例性实施例示出的一种文本信息的转换装置的框图，如图7所示，该装置200可以包括：
获取模块201，用于获取查询文本信息。
拼接模块202，用于将查询文本信息与目标表格的表格信息，按照预设格式拼接为信息序列，表格信息包括目标表格的列名和列类型。
转换模块203，用于利用预先训练的转换模型，根据信息序列确定对应的表征向量，并根据表征向量确定查询文本信息对应的查询指令，表征向量包括信息序列的文本表征、类型表征和位置表征，转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，基础模型根据多个训练文本信息，以及每个训练文本信息对应的训练查询指令训练得到。
在一种应用场景中，转换模型的结构可以包括：嵌入层、编码层和解码层。相应的，图8是根据一示例性实施例示出的另一种文本信息的转换装置的框图，如图8所示，转换模块203可以包括：
嵌入子模块2031，用于将信息序列输入嵌入层，以得到嵌入层输出的信息序列的文本表征、类型表征和位置表征，并根据信息序列的文本表征、类型表征和位置表征，生成表征向量。
编码子模块2032，用于将表征向量输入编码层，以得到编码层输出的表征向量对应的编码向量，编码向量用于表征查询文本信息，与目标表格的列名之间的链接关系。
解码子模块2033，用于将编码向量输入解码层，以根据解码层的输出确定查询指令。
在另一种实现方式中，解码层包括多个解码器。相应的，解码子模块2033可以用于执行以下步骤：
步骤1)将编码向量分别输入多个解码器，以得到每个解码器输出的解码结果。
步骤2)根据多个解码器对应的解码结果，确定查询片段包括的目标列和目标函数，并根据多个解码器对应的解码结果，确定条件片段包括的目标条件。
步骤3)根据查询片段和条件片段，确定查询指令。
在又一种应用场景中，解码层包括：第一查询解码器、第二查询解码器、第三查询解码器、第一条件解码器、第二条件解码器、第三条件解码器、第四条件解码器、第五条件解码器和第六条件解码器。
其中，第一查询解码器对应的解码结果用于指示目标列的数量。第二查询解码器对应的解码结果用于指示目标表格中的至少一个目标列。第三查询解码器对应的解码结果用于指示每个目标列对应的目标函数。
第一条件解码器对应的解码结果用于指示目标条件的数量，以及每个目标条件之间的关联关系。第二条件解码器对应的解码结果用于指示目标表格中，每个目标条件对应的查询列。第三条件解码器对应的解码结果用于指示每个目标条件对应的查询操作符。第四条件解码器对应的解码结果用于指示每个目标条件对应的查询值。第五条件解码器对应的解码结果用于指示每个目标条件对应的查询列与查询值的匹配度。第六条件解码器对应的解码结果用于指示每个目标条件对应的嵌套查询标识。
相应的，步骤2)的实现方式可以为：
根据第一查询解码器、第二查询解码器和第三查询解码器对应的解码结果，确定查询片段。
根据第一条件解码器、第二条件解码器、第三条件解码器、第四条件解码器、第五条件解码器和第六条件解码器对应的解码结果，确定条件片段。
在一种实现方式中，基础模型包括：嵌入层、编码层和解码层，编码层包括依次连接的第一数量个编码器。
基础模型是通过以下方式训练得到的：
步骤A，获取样本输入集和样本输出集，样本输入集包括多个样本输入，样本输入包括训练文本信息与表格信息，样本输出集中包括与每个样本输入对应的样本输出，每个样本输出包括对应的训练查询指令。
步骤B，将样本输入集作为基础模型的输入，将样本输出集作为基础模型的输出，以训练基础模型。
转换模型是通过以下方式对基础模型进行知识蒸馏得到的：
步骤C，根据基础模型，确定转换模型，转换模型包括：嵌入层、蒸馏编码层和解码层，蒸馏编码层包括依次连接的第二数量个编码器，第二数量小于第一数量。
步骤D，将样本输入集作为转换模型以及基础模型的输入，以得到转换模型的输出和基础模型的输出。
步骤E，根据转换模型的输出、基础模型的输出，和样本输出集确定蒸馏损失。
步骤F，以降低蒸馏损失为目标，利用反向传播算法训练转换模型。
在另一种实现方式中，步骤E可以通过以下步骤来实现：
步骤E1，根据转换模型的嵌入层的输出和基础模型的嵌入层的输出确定嵌入损失。
步骤E2，根据转换模型的蒸馏编码层的输出和基础模型的编码层的输出确定编码损失。
步骤E3，根据转换模型的解码层的输出和基础模型的解码层的输出确定解码损失。
步骤E4，根据转换模型的输出和样本输出集确定经验损失。
步骤E5，根据嵌入损失、编码损失、解码损失和经验损失，确定蒸馏损失。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，本公开首先获取查询文本信息，然后将查询文本信息与目标表格的列名和列类型，按照预设格式拼接为信息序列。最后利用预先训练的转换模型，根据信息序列确定对应的表征向量，并根据表征向量确定查询文本信息对应的查询指令。其中，表征向量包括信息序列的文本表征、类型表征和位置表征，转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，基础模型是根据多个训练文本信息，以及每个训练文本信息对应的训练查询指令训练得到的。本公开通过对基础模型进行知识蒸馏得到转换模型，缩小了模型的参数规模，在保证转换准确率的前提下，能够提高文本信息的转换效率。
下面参考图9，其示出了适于用来实现本公开实施例的电子设备(例如本公开实施例的执行主体)300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备仅仅是一个示例，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9所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上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，其包括承载在非暂态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装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述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、或半导体的系统、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(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(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系统、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，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，终端设备、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述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该电子设备执行时，使得该电子设备：获取查询文本信息；将所述查询文本信息与目标表格的表格信息，按照预设格式拼接为信息序列，所述表格信息包括所述目标表格的列名和列类型；利用预先训练的转换模型，根据所述信息序列确定对应的表征向量，并根据所述表征向量确定所述查询文本信息对应的查询指令，所述表征向量包括所述信息序列的文本表征、类型表征和位置表征，所述转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，所述基础模型根据多个训练文本信息，以及每个所述训练文本信息对应的训练查询指令训练得到。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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系统来实现，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模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取查询文本信息的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种文本信息的转换方法，包括：获取查询文本信息；将所述查询文本信息与目标表格的表格信息，按照预设格式拼接为信息序列，所述表格信息包括所述目标表格的列名和列类型；利用预先训练的转换模型，根据所述信息序列确定对应的表征向量，并根据所述表征向量确定所述查询文本信息对应的查询指令，所述表征向量包括所述信息序列的文本表征、类型表征和位置表征，所述转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，所述基础模型根据多个训练文本信息，以及每个所述训练文本信息对应的训练查询指令训练得到。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述转换模型包括：嵌入层、编码层和解码层；所述利用预先训练的转换模型，根据所述信息序列确定对应的表征向量，并根据所述表征向量确定所述查询文本信息对应的查询指令，包括：将所述信息序列输入所述嵌入层，以得到所述嵌入层输出的所述信息序列的文本表征、类型表征和位置表征，并根据所述信息序列的文本表征、类型表征和位置表征，生成所述表征向量；将所述表征向量输入所述编码层，以得到所述编码层输出的所述表征向量对应的编码向量，所述编码向量用于表征所述查询文本信息，与所述目标表格的列名之间的链接关系；将所述编码向量输入所述解码层，以根据所述解码层的输出确定所述查询指令。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述解码层包括多个解码器；所述将所述编码向量输入所述解码层，以根据所述解码层的输出确定所述查询指令，包括：将所述编码向量分别输入多个所述解码器，以得到每个所述解码器输出的解码结果；根据多个所述解码器对应的解码结果，确定查询片段包括的目标列和目标函数，并根据多个所述解码器对应的解码结果，确定条件片段包括的目标条件；根据所述查询片段和所述条件片段，确定所述查询指令。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述解码层包括：第一查询解码器、第二查询解码器和第三查询解码器；所述第一查询解码器对应的解码结果用于指示所述目标列的数量；所述第二查询解码器对应的解码结果用于指示所述目标表格中的至少一个所述目标列；所述第三查询解码器对应的解码结果用于指示每个所述目标列对应的所述目标函数；所述根据多个所述解码器对应的解码结果，确定查询片段包括的目标列和目标函数，包括：根据所述第一查询解码器、所述第二查询解码器和所述第三查询解码器对应的解码结果，确定所述查询片段。
根据本公开的一个或多个实施例，示例5提供了示例3的方法，所述解码层包括：第一条件解码器、第二条件解码器、第三条件解码器、第四条件解码器、第五条件解码器和第六条件解码器；所述第一条件解码器对应的解码结果用于指示所述目标条件的数量，以及每个所述目标条件之间的关联关系；所述第二条件解码器对应的解码结果用于指示所述目标表格中，每个所述目标条件对应的查询列；所述第三条件解码器对应的解码结果用于指示每个所述目标条件对应的查询操作符；所述第四条件解码器对应的解码结果用于指示每个所述目标条件对应的查询值；所述第五条件解码器对应的解码结果用于指示每个所述目标条件对应的查询列与查询值的匹配度；所述第六条件解码器对应的解码结果用于指示每个所述目标条件对应的嵌套查询标识；所述根据多个所述解码器对应的解码结果，确定条件片段包括的目标条件，包括：根据所述第一条件解码器、所述第二条件解码器、所述第三条件解码器、所述第四条件解码器、所述第五条件解码器和所述第六条件解码器对应的解码结果，确定所述条件片段。
根据本公开的一个或多个实施例，示例6提供了示例1至示例5的方法，所述基础模型包括：嵌入层、编码层和解码层，所述编码层包括依次连接的第一数量个编码器；所述基础模型是通过以下方式训练得到的：获取样本输入集和所述样本输出集，所述样本输入集包括多个样本输入，所述样本输入包括所述训练文本信息与所述表格信息，所述样本输出集中包括与每个所述样本输入对应的样本输出，每个所述样本输出包括对应的所述训练查询指令；将所述样本输入集作为所述基础模型的输入，将所述样本输出集作为所述基础模型的输出，以训练所述基础模型；所述转换模型是通过以下方式对所述基础模型进行知识蒸馏得到的：根据所述基础模型，确定所述转换模型，所述转换模型包括：所述嵌入层、蒸馏编码层和所述解码层，所述蒸馏编码层包括依次连接的第二数量个所述编码器，所述第二数量小于所述第一数量；将所述样本输入集作为所述转换模型以及所述基础模型的输入，以得到所述转换模型的输出和所述基础模型的输出；根据所述转换模型的输出、所述基础模型的输出，和所述样本输出集确定所述蒸馏损失；以降低所述蒸馏损失为目标，利用反向传播算法训练所述转换模型。
根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述根据所述转换模型的输出、所述基础模型的输出，和所述样本输出集确定所述蒸馏损失，包括：根据所述转换模型的所述嵌入层的输出和所述基础模型的所述嵌入层的输出确定嵌入损失；根据所述转换模型的所述蒸馏编码层的输出和所述基础模型的所述编码层的输出确定编码损失；根据所述转换模型的所述解码层的输出和所述基础模型的所述解码层的输出确定解码损失；根据所述转换模型的输出和所述样本输出集确定经验损失；根据所述嵌入损失、所述编码损失、所述解码损失和所述经验损失，确定所述蒸馏损失。
根据本公开的一个或多个实施例，示例8提供了一种文本信息的转换装置，包括：获取模块，用于获取查询文本信息；拼接模块，用于将所述查询文本信息与目标表格的表格信息，按照预设格式拼接为信息序列，所述表格信息包括所述目标表格的列名和列类型；转换模块，用于利用预先训练的转换模型，根据所述信息序列确定对应的表征向量，并根据所述表征向量确定所述查询文本信息对应的查询指令，所述表征向量包括所述信息序列的文本表征、类型表征和位置表征，所述转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，所述基础模型根据多个训练文本信息，以及每个所述训练文本信息对应的训练查询指令训练得到。
根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述转换模型包括：嵌入层、编码层和解码层；所述转换模块包括：嵌入子模块，用于将所述信息序列输入所述嵌入层，以得到所述嵌入层输出的所述信息序列的文本表征、类型表征和位置表征，并根据所述信息序列的文本表征、类型表征和位置表征，生成所述表征向量；编码子模块，用于将所述表征向量输入所述编码层，以得到所述编码层输出的所述表征向量对应的编码向量，所述编码向量用于表征所述查询文本信息，与所述目标表格的列名之间的链接关系；解码子模块，用于将所述编码向量输入所述解码层，以根据所述解码层的输出确定所述查询指令。
根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述解码层包括多个解码器；所述解码子模块用于：将所述编码向量分别输入多个所述解码器，以得到每个所述解码器输出的解码结果；根据多个所述解码器对应的解码结果，确定查询片段包括的目标列和目标函数，并根据多个所述解码器对应的解码结果，确定条件片段包括的目标条件；根据所述查询片段和所述条件片段，确定所述查询指令。
根据本公开的一个或多个实施例，示例11提供了示例10的装置，所述解码层包括：第一查询解码器、第二查询解码器和第三查询解码器；所述第一查询解码器对应的解码结果用于指示所述目标列的数量；所述第二查询解码器对应的解码结果用于指示所述目标表格中的至少一个所述目标列；所述第三查询解码器对应的解码结果用于指示每个所述目标列对应的所述目标函数；所述解码子模块用于：根据所述第一查询解码器、所述第二查询解码器和所述第三查询解码器对应的解码结果，确定所述查询片段。
根据本公开的一个或多个实施例，示例12提供了示例10的装置，所述编码层包括：第一条件解码器、第二条件解码器、第三条件解码器、第四条件解码器、第五条件解码器和第六条件解码器；所述第一条件解码器对应的解码结果用于指示所述目标条件的数量，以及每个所述目标条件之间的关联关系；所述第二条件解码器对应的解码结果用于指示所述目标表格中，每个所述目标条件对应的查询列；所述第三条件解码器对应的解码结果用于指示每个所述目标条件对应的查询操作符；所述第四条件解码器对应的解码结果用于指示每个所述目标条件对应的查询值；所述第五条件解码器对应的解码结果用于指示每个所述目标条件对应的查询列与查询值的匹配度；所述第六条件解码器对应的解码结果用于指示每个所述目标条件对应的嵌套查询标识；所述解码子模块用于：根据所述第一条件解码器、所述第二条件解码器、所述第三条件解码器、所述第四条件解码器、所述第五条件解码器和所述第六条件解码器对应的解码结果，确定所述条件片段。
根据本公开的一个或多个实施例，示例13提供了示例8至示例12的装置，所述基础模型包括：嵌入层、编码层和解码层，所述编码层包括依次连接的第一数量个编码器；所述基础模型是通过以下方式训练得到的：获取样本输入集和所述样本输出集，所述样本输入集包括多个样本输入，所述样本输入包括所述训练文本信息与所述表格信息，所述样本输出集中包括与每个所述样本输入对应的样本输出，每个所述样本输出包括对应的所述训练查询指令；将所述样本输入集作为所述基础模型的输入，将所述样本输出集作为所述基础模型的输出，以训练所述基础模型；所述转换模型是通过以下方式对所述基础模型进行知识蒸馏得到的：根据所述基础模型，确定所述转换模型，所述转换模型包括：所述嵌入层、蒸馏编码层和所述解码层，所述蒸馏编码层包括依次连接的第二数量个所述编码器，所述第二数量小于所述第一数量；将所述样本输入集作为所述转换模型以及所述基础模型的输入，以得到所述转换模型的输出和所述基础模型的输出；根据所述转换模型的输出、所述基础模型的输出，和所述样本输出集确定所述蒸馏损失；以降低所述蒸馏损失为目标，利用反向传播算法训练所述转换模型。
根据本公开的一个或多个实施例，示例14提供了示例13的装置，所述根据所述转换模型的输出、所述基础模型的输出，和所述样本输出集确定所述蒸馏损失，包括：根据所述转换模型的所述嵌入层的输出和所述基础模型的所述嵌入层的输出确定嵌入损失；根据所述转换模型的所述蒸馏编码层的输出和所述基础模型的所述编码层的输出确定编码损失；根据所述转换模型的所述解码层的输出和所述基础模型的所述解码层的输出确定解码损失；根据所述转换模型的输出和所述样本输出集确定经验损失；根据所述嵌入损失、所述编码损失、所述解码损失和所述经验损失，确定所述蒸馏损失。
根据本公开的一个或多个实施例，示例15提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至示例7中所述方法的步骤。
根据本公开的一个或多个实施例，示例16提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至示例7中所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种文本信息的转换方法，其特征在于，所述方法包括：
获取查询文本信息；
将所述查询文本信息与目标表格的表格信息，按照预设格式拼接为信息序列，所述表格信息包括所述目标表格的列名和列类型；
利用预先训练的转换模型，根据所述信息序列确定对应的表征向量，并根据所述表征向量确定所述查询文本信息对应的查询指令，所述表征向量包括所述信息序列的文本表征、类型表征和位置表征，所述转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，所述基础模型根据多个训练文本信息，以及每个所述训练文本信息对应的训练查询指令训练得到。
2.根据权利要求1所述的方法，其特征在于，所述转换模型包括：嵌入层、编码层和解码层；
所述利用预先训练的转换模型，根据所述信息序列确定对应的表征向量，并根据所述表征向量确定所述查询文本信息对应的查询指令，包括：
将所述信息序列输入所述嵌入层，以得到所述嵌入层输出的所述信息序列的文本表征、类型表征和位置表征，并根据所述信息序列的文本表征、类型表征和位置表征，生成所述表征向量；
将所述表征向量输入所述编码层，以得到所述编码层输出的所述表征向量对应的编码向量，所述编码向量用于表征所述查询文本信息，与所述目标表格的列名之间的链接关系；
将所述编码向量输入所述解码层，以根据所述解码层的输出确定所述查询指令。
3.根据权利要求2所述的方法，其特征在于，所述解码层包括多个解码器；所述将所述编码向量输入所述解码层，以根据所述解码层的输出确定所述查询指令，包括：
将所述编码向量分别输入多个所述解码器，以得到每个所述解码器输出的解码结果；
根据多个所述解码器对应的解码结果，确定查询片段包括的目标列和目标函数，并根据多个所述解码器对应的解码结果，确定条件片段包括的目标条件；
根据所述查询片段和所述条件片段，确定所述查询指令。
4.根据权利要求3所述的方法，其特征在于，所述解码层包括：第一查询解码器、第二查询解码器和第三查询解码器；
所述第一查询解码器对应的解码结果用于指示所述目标列的数量；
所述第二查询解码器对应的解码结果用于指示所述目标表格中的至少一个所述目标列；
所述第三查询解码器对应的解码结果用于指示每个所述目标列对应的所述目标函数；
所述根据多个所述解码器对应的解码结果，确定查询片段包括的目标列和目标函数，包括：
根据所述第一查询解码器、所述第二查询解码器和所述第三查询解码器对应的解码结果，确定所述查询片段。
5.根据权利要求3所述的方法，其特征在于，所述解码层包括：第一条件解码器、第二条件解码器、第三条件解码器、第四条件解码器、第五条件解码器和第六条件解码器；
所述第一条件解码器对应的解码结果用于指示所述目标条件的数量，以及每个所述目标条件之间的关联关系；
所述第二条件解码器对应的解码结果用于指示所述目标表格中，每个所述目标条件对应的查询列；
所述第三条件解码器对应的解码结果用于指示每个所述目标条件对应的查询操作符；
所述第四条件解码器对应的解码结果用于指示每个所述目标条件对应的查询值；
所述第五条件解码器对应的解码结果用于指示每个所述目标条件对应的查询列与查询值的匹配度；
所述第六条件解码器对应的解码结果用于指示每个所述目标条件对应的嵌套查询标识；
所述根据多个所述解码器对应的解码结果，确定条件片段包括的目标条件，包括：
根据所述第一条件解码器、所述第二条件解码器、所述第三条件解码器、所述第四条件解码器、所述第五条件解码器和所述第六条件解码器对应的解码结果，确定所述条件片段。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述基础模型包括：嵌入层、编码层和解码层，所述编码层包括依次连接的第一数量个编码器；
所述基础模型是通过以下方式训练得到的：
获取样本输入集和所述样本输出集，所述样本输入集包括多个样本输入，所述样本输入包括所述训练文本信息与所述表格信息，所述样本输出集中包括与每个所述样本输入对应的样本输出，每个所述样本输出包括对应的所述训练查询指令；
将所述样本输入集作为所述基础模型的输入，将所述样本输出集作为所述基础模型的输出，以训练所述基础模型；
所述转换模型是通过以下方式对所述基础模型进行知识蒸馏得到的：
根据所述基础模型，确定所述转换模型，所述转换模型包括：所述嵌入层、蒸馏编码层和所述解码层，所述蒸馏编码层包括依次连接的第二数量个所述编码器，所述第二数量小于所述第一数量；
将所述样本输入集作为所述转换模型以及所述基础模型的输入，以得到所述转换模型的输出和所述基础模型的输出；
根据所述转换模型的输出、所述基础模型的输出，和所述样本输出集确定所述蒸馏损失；
以降低所述蒸馏损失为目标，利用反向传播算法训练所述转换模型。
7.根据权利要求6所述的方法，其特征在于，所述根据所述转换模型的输出、所述基础模型的输出，和所述样本输出集确定所述蒸馏损失，包括：
根据所述转换模型的所述嵌入层的输出和所述基础模型的所述嵌入层的输出确定嵌入损失；
根据所述转换模型的所述蒸馏编码层的输出和所述基础模型的所述编码层的输出确定编码损失；
根据所述转换模型的所述解码层的输出和所述基础模型的所述解码层的输出确定解码损失；
根据所述转换模型的输出和所述样本输出集确定经验损失；
根据所述嵌入损失、所述编码损失、所述解码损失和所述经验损失，确定所述蒸馏损失。
8.一种文本信息的转换装置，其特征在于，所述装置包括：
获取模块，用于获取查询文本信息；
拼接模块，用于将所述查询文本信息与目标表格的表格信息，按照预设格式拼接为信息序列，所述表格信息包括所述目标表格的列名和列类型；
转换模块，用于利用预先训练的转换模型，根据所述信息序列确定对应的表征向量，并根据所述表征向量确定所述查询文本信息对应的查询指令，所述表征向量包括所述信息序列的文本表征、类型表征和位置表征，所述转换模型为按照预设的蒸馏损失对基础模型进行知识蒸馏得到的，所述基础模型根据多个训练文本信息，以及每个所述训练文本信息对应的训练查询指令训练得到。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有一个或多个计算机程序；
一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
CN202111327468.8A 2021-11-10 2021-11-10 文本信息的转换方法、装置、可读介质和电子设备 Active CN113986958B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111327468.8A CN113986958B (zh) 2021-11-10 2021-11-10 文本信息的转换方法、装置、可读介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111327468.8A CN113986958B (zh) 2021-11-10 2021-11-10 文本信息的转换方法、装置、可读介质和电子设备

Publications (2)

Publication Number Publication Date
CN113986958A true CN113986958A (zh) 2022-01-28
CN113986958B CN113986958B (zh) 2024-02-09

Family

ID=79747704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111327468.8A Active CN113986958B (zh) 2021-11-10 2021-11-10 文本信息的转换方法、装置、可读介质和电子设备

Country Status (1)

Country Link
CN (1) CN113986958B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114780709A (zh) * 2022-03-22 2022-07-22 北京三快在线科技有限公司 文本匹配方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109542929A (zh) * 2018-11-28 2019-03-29 山东工商学院 语音查询方法、装置和电子设备
CN112241455A (zh) * 2020-12-17 2021-01-19 之江实验室 基于多层级知识蒸馏预训练语言模型自动压缩方法及平台
CN112559556A (zh) * 2021-02-25 2021-03-26 杭州一知智能科技有限公司 表格模式解析和序列掩码的语言模型预训练方法及系统
CN112988785A (zh) * 2021-05-10 2021-06-18 浙江大学 基于语言模型编码和多任务解码的sql转换方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109542929A (zh) * 2018-11-28 2019-03-29 山东工商学院 语音查询方法、装置和电子设备
CN112241455A (zh) * 2020-12-17 2021-01-19 之江实验室 基于多层级知识蒸馏预训练语言模型自动压缩方法及平台
CN112559556A (zh) * 2021-02-25 2021-03-26 杭州一知智能科技有限公司 表格模式解析和序列掩码的语言模型预训练方法及系统
CN112988785A (zh) * 2021-05-10 2021-06-18 浙江大学 基于语言模型编码和多任务解码的sql转换方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114780709A (zh) * 2022-03-22 2022-07-22 北京三快在线科技有限公司 文本匹配方法、装置及电子设备
CN114780709B (zh) * 2022-03-22 2023-04-07 北京三快在线科技有限公司 文本匹配方法、装置及电子设备

Also Published As

Publication number Publication date
CN113986958B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN113470619B (zh) 语音识别方法、装置、介质及设备
CN112183120A (zh) 语音翻译方法、装置、设备和存储介质
CN111368559A (zh) 语音翻译方法、装置、电子设备及存储介质
CN112883968B (zh) 图像字符识别方法、装置、介质及电子设备
CN112883967B (zh) 图像字符识别方法、装置、介质及电子设备
CN113436620A (zh) 模型的训练方法、语音识别方法、装置、介质及设备
US20240233334A1 (en) Multi-modal data retrieval method and apparatus, medium, and electronic device
CN113327599B (zh) 语音识别方法、装置、介质及电子设备
CN112650841A (zh) 信息处理方法、装置和电子设备
CN111368560A (zh) 文本翻译方法、装置、电子设备及存储介质
CN113362811A (zh) 模型的训练方法、语音识别方法、装置、介质及设备
CN114067327A (zh) 文本识别方法、装置、可读介质及电子设备
CN113986958B (zh) 文本信息的转换方法、装置、可读介质和电子设备
CN113591490A (zh) 信息处理方法、装置和电子设备
CN112651231B (zh) 口语信息处理方法、装置和电子设备
CN115984868A (zh) 文本处理方法、装置、介质及设备
CN115359400A (zh) 视频识别方法、装置、介质及电子设备
CN114429629A (zh) 图像处理方法、装置、可读存储介质及电子设备
CN111737572B (zh) 搜索语句生成方法、装置和电子设备
CN111626044B (zh) 文本生成方法、装置、电子设备及计算机可读存储介质
CN114330239A (zh) 文本处理方法及装置、存储介质及电子设备
CN113947060A (zh) 文本转换方法、装置、介质及电子设备
CN113656573B (zh) 文本信息生成方法、装置、终端设备
CN111933122B (zh) 语音识别方法、装置、电子设备和计算机可读介质
CN111292766B (zh) 用于生成语音样本的方法、装置、电子设备和介质

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
GR01 Patent grant
GR01 Patent grant