CN114722069A - 语言转换方法和装置、电子设备及存储介质 - Google Patents
语言转换方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114722069A CN114722069A CN202210361878.2A CN202210361878A CN114722069A CN 114722069 A CN114722069 A CN 114722069A CN 202210361878 A CN202210361878 A CN 202210361878A CN 114722069 A CN114722069 A CN 114722069A
- Authority
- CN
- China
- Prior art keywords
- target
- text
- question
- candidate
- features
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 55
- 230000006870 function Effects 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 59
- 238000000605 extraction Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 description 12
- 238000003058 natural language processing Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F16/242—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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种语言转换方法和装置、电子设备及存储介质,属于人工智能技术领域。该方法包括:获取原始问题文本;原始问题文本为自然语言文本;对预获取的数据库表进行关键词提取,得到表头关键词;根据表头关键词对原始问题文本进行字段提取,得到问题索引字段;对表头关键词和问题索引字段进行语义对齐处理,得到问题特征序列,并将问题特征序列拆分为候选问题列特征和候选查询条件特征;通过分类函数对候选问题列特征进行分类处理,得到目标标签列特征;对候选查询条件特征进行筛选处理,得到目标查询特征;对目标标签列特征和目标查询特征进行拼接处理,得到目标文本,目标文本包括SQL语句。本申请能够提高生成SQL语句的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种语言转换方法和装置、电子设备及存储介质。
背景技术
目前,大多数的语言转换方法主要通过深度学习模型学习数据的潜在知识,预测句子之间的关系,从而生成SQL(Structured Query Language,结构化查询语言)语句,而深度学习模型的训练常常需要大量的人工标注语料,而训练语料的标注往往需要花费较大的人力和物力,且模型的训练效果不佳,影响生成SQL语句的准确性。因此,如何提高生成SQL语句的准确性,成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种语言转换方法和装置、电子设备及存储介质,旨在提高生成SQL语句的准确性。
为实现上述目的,本申请实施例的第一方面提出了一种语言转换方法,所述方法包括:
获取原始问题文本;其中,所述原始问题文本为自然语言文本;
对预先获取的数据库表进行关键词提取,得到表头关键词;
根据所述表头关键词对所述原始问题文本进行字段提取,得到问题索引字段;
对所述表头关键词和所述问题索引字段进行语义对齐处理,得到问题特征序列,并将所述问题特征序列拆分为候选问题列特征和候选查询条件特征;
通过预设的分类函数对所述候选问题列特征进行分类处理,得到目标标签列特征;
对所述候选查询条件特征进行筛选处理,得到目标查询特征;
对所述目标标签列特征和所述目标查询特征进行拼接处理,得到目标文本,其中,所述目标文本包括SQL语句。
在一些实施例,所述根据所述表头关键词对所述原始问题文本进行字段提取,得到问题索引字段的步骤,包括:
对所述原始问题文本进行分割处理,得到多个候选问题语句;
根据所述表头关键词对所述候选问题语句进行遍历,得到目标问题语句;
对所述目标问题语句进行索引字段提取,得到所述问题索引字段。
在一些实施例,所述对所述表头关键词和所述问题索引字段进行语义对齐处理,得到问题特征序列,并将所述问题特征序列拆分为候选问题列特征和候选查询条件特征的步骤,包括:
提取所述表头关键词中的列特征向量;
对所述列特征向量和所述问题索引字段进行相似度计算,得到特征相似度值;
根据所述特征相似度值对所述表头关键词和所述问题索引字段进行语义对齐处理,得到所述问题特征序列;
将所述问题特征序列拆分为候选问题列特征和候选查询条件特征。
在一些实施例,所述对所述列特征向量和所述问题索引字段进行相似度计算,得到特征相似度值的步骤,包括:
对所述问题索引字段进行编码处理,得到问题索引向量;
通过余弦相似度算法对所述列特征向量和所述问题索引向量进行相似度计算,得到所述特征相似度值。
在一些实施例,所述对所述候选查询条件特征进行筛选处理,得到目标查询特征的步骤,包括:
通过预设的MLP网络将所述候选查询条件特征映射到预设的向量空间,得到候选查询条件向量;
通过所述分类函数对所述候选查询条件向量进行分类概率计算,得到每一预设条件类别标签的分类概率值;
根据所述分类概率值对所述候选查询条件特征进行筛选处理,得到所述目标查询特征。
在一些实施例,所述对所述目标标签列特征和所述目标查询特征进行拼接处理,得到目标文本,其中,所述目标文本包括SQL语句的步骤,包括:
对所述目标标签列特征和所述目标查询特征进行拼接处理,得到初始SQL语句;
通过预设的预测函数计算所述初始SQL语句的预测分值;
根据所述预测分值对所述初始SQL语句进行筛选处理,得到目标SQL语句;
对所述目标SQL语句进行语义解析处理,得到所述目标文本。
在一些实施例,所述根据所述预测分值对所述初始SQL语句进行筛选处理,得到目标SQL语句的步骤,包括:
比对所述预测分值和预设的参考分值;
选取所述预测分值大于或者等于所述参考分值的初始SQL语句作为所述目标SQL语句。
为实现上述目的,本申请实施例的第二方面提出了一种语言转换装置,所述装置包括:
问题文本获取模块,用于获取原始问题文本;其中,所述原始问题文本为自然语言文本;
关键词提取模块,用于对预先获取的数据库表进行关键词提取,得到表头关键词;
索引字段提取模块,用于根据所述表头关键词对所述原始问题文本进行字段提取,得到问题索引字段;
语义对齐模块,用于对所述表头关键词和所述问题索引字段进行语义对齐处理,得到问题特征序列,并将所述问题特征序列拆分为候选问题列特征和候选查询条件特征;
分类模块,用于通过预设的分类函数对所述候选问题列特征进行分类处理,得到目标标签列特征;
筛选模块,用于对所述候选查询条件特征进行筛选处理,得到目标查询特征;
拼接模块,用于对所述目标标签列特征和所述目标查询特征进行拼接处理,得到目标文本,其中,所述目标文本包括SQL语句。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面所述的方法。
本申请提出的语言转换方法和装置、电子设备及存储介质,其通过获取原始问题文本;其中,原始问题文本为自然语言文本;对预先获取的数据库表进行关键词提取,得到表头关键词,并对根据表头关键词对原始问题文本进行字段提取,得到问题索引字段,使得能够基于表头关键词和问题索引字段进行语言转换,提高语言转换效率。进一步地,对表头关键词和问题索引字段进行语义对齐处理,得到问题特征序列,并将问题特征序列拆分为候选问题列特征和候选查询条件特征,能够对原始问题文本中每一问题索引字段和数据库表的表头进行配对,实现原始问题文本和数据库表的内容对齐。进一步地,通过预设的分类函数对候选问题列特征进行分类处理,得到目标标签列特征,并对候选查询条件特征进行筛选处理,得到目标查询特征,能够较为方便地从候选问题列特征和候选查询条件特征中获取到符合需求的特征信息;最后对目标标签列特征和目标查询特征进行拼接处理,得到目标文本,其中,目标文本包括SQL语句,通过候选问题列特征和候选查询条件特征之间的潜在语义关系进行匹配和拼接处理,能够提高生成的SQL语句的准确性。
附图说明
图1是本申请实施例提供的语言转换方法的流程图;
图2是图1中的步骤S103的流程图;
图3是图1中的步骤S104的流程图;
图4是图3中的步骤S302的流程图;
图5是图1中的步骤S106的流程图;
图6是图1中的步骤S107的流程图;
图7是图6中的步骤S603的流程图;
图8是本申请实施例提供的语言转换装置的结构示意图;
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(Artificial Intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(Natural Language Processing,NLP):NLP用计算机来处理、理解以及运用人类语言(如中文、英文等),NLP属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction,NER):从自然语言文本中抽取指定类型的实体、关系、事件等事实信息,并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的,例如句子、段落、篇章,文本信息正是由一些小的具体的单位构成的,例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取,当然,文本信息抽取技术所抽取的信息可以是各种类型的信息。
BERT(Bidirectional Encoder Representation from Transformers)模型:BERT模型进一步增加词向量模型泛化能力,充分描述字符级、词级、句子级甚至句间关系特征,基于Transformer构建而成。BERT中有三种embedding,即token embedding,segmentembedding,position embedding;其中token embeddings是词向量,第一个单词是CLS标志,可以用于之后的分类任务;segment embeddings用来区别两种句子,因为预训练不光做LM还要做以两个句子为输入的分类任务;position embeddings,这里的位置词向量不是transfor中的三角函数,而是BERT经过训练学到的。但BERT直接训练一个positionembedding来保留位置信息,每个位置随机初始化一个向量,加入模型训练,最后就得到一个包含位置信息的embedding,最后这个position embedding和word embedding的结合方式上,BERT选择直接拼接。
token:token是建立索引的基本单位,表示每个被编入索引的字符。
编码(Encoder):编码,就是将输入序列转化成一个固定长度的向量。
解码(decoder),就是将之前生成的固定向量再转化成输出序列;其中,输入序列可以是文字、语音、图像、视频;输出序列可以是文字、图像。
Softmax函数:Softmax函数是归一化指数函数,能将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1,该函数常用于多分类问题中,同时,Softmax函数也是逻辑回归分类函数,是面对多个分类的一般化归纳,输出的是属于不同类别的概率值。
Text-to-SQL:可以用于将自然语言直接转换成对应的SQL查询语言,能够降低非专业用户查询数据库数据的门槛,使得普通用户也能够利用自然语言的方式查询数据库内容,从而可以打破人与结构化数据库之间的壁垒,便于不熟悉SQL语言的用户与大型数据库之间进行交互。
目前,大多数的语言转换方法主要通过深度学习模型学习数据的潜在知识,预测句子之间的关系,从而生成SQL语句,而深度学习模型的训练常常需要大量的人工标注语料,如WikiSQL、Spider等,而训练语料的标注往往需要花费较大的人力和物力,在工业上也难以得到应用,且模型的训练效果不佳,影响生成SQL语句的准确性。因此,如何提高生成SQL语句的准确性,成为了亟待解决的技术问题。
基于此,本申请实施例提供了一种语言转换方法和装置、电子设备及存储介质,旨在提高生成SQL语句的准确性。
多任务学习是一种深度学习方法,它能够学习目标数据的潜在知识,来达到辅助提升目标任务的目的。在NLP领域大热的模型—BERT,它是基于多任务的方法来进行训练,其中包括了掩盖语言模型任务(Mask Language Modeling,MLM)任务以及句子间关系预测任务(Next Sentence Prediction,NSP)。BERT的成功地证明了多任务的有效性。为了能够利用已有的有限的Text-to-SQL数据集,本申请实施例利用多任务的语言转换方法,设计了表头对齐的辅助任务,来帮助提高Text-to-SQL任务的精度。
本申请实施例提供的语言转换方法和装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的语言转换方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的语言转换方法,涉及人工智能技术领域。本申请实施例提供的语言转换方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现语言转换方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的语言转换方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S107。
步骤S101,获取原始问题文本;其中,原始问题文本为自然语言文本;
步骤S102,对预先获取的数据库表进行关键词提取,得到表头关键词;
步骤S103,根据表头关键词对原始问题文本进行字段提取,得到问题索引字段;
步骤S104,对表头关键词和问题索引字段进行语义对齐处理,得到问题特征序列,并将问题特征序列拆分为候选问题列特征和候选查询条件特征;
步骤S105,通过预设的分类函数对候选问题列特征进行分类处理,得到目标标签列特征;
步骤S106,对候选查询条件特征进行筛选处理,得到目标查询特征;
步骤S107,对目标标签列特征和目标查询特征进行拼接处理,得到目标文本,其中,目标文本包括SQL语句。
本申请实施例所示意的步骤S101至步骤S107,通过对预先获取的数据库表进行关键词提取,得到表头关键词,并对根据表头关键词对原始问题文本进行字段提取,得到问题索引字段,使得能够基于表头关键词和问题索引字段进行语言转换,提高语言转换效率。通过对表头关键词和问题索引字段进行语义对齐处理,得到问题特征序列,并将问题特征序列拆分为候选问题列特征和候选查询条件特征,能够对原始问题文本中每一问题索引字段和数据库表的表头进行配对,实现原始问题文本和数据库表的内容对齐。通过预设的分类函数对候选问题列特征进行分类处理,得到目标标签列特征,并对候选查询条件特征进行筛选处理,得到目标查询特征,能够较为方便地从候选问题列特征和候选查询条件特征中获取到符合需求的特征信息。最后通过对目标标签列特征和目标查询特征进行拼接处理,得到目标文本,能够对候选问题列特征和候选查询条件特征之间的潜在语义关系进行匹配和拼接处理,提高生成的SQL语句的准确性。
在一些实施例的步骤S101中,可以通过编写网络爬虫,设置好数据源之后进行有目标性的爬取数据,得到原始问题文本。也可以通过其他方式获取原始问题文本,不限于此。需要说明的是,原始问题文本为自然语言文本。
在一些实施例的步骤S102中,为了提高语言转换的效率,可以提取预先构建的数据库表,该数据库表将不同类型的数据通过表格分类,每一类型的数据对应着一个表头数据,例如,在某一数据库表上,包括着年龄、学校、专业等多种类型的数据,这些表头下对应着相应的统计数据。因此,在语言转换中,可以直接对数据库表进行关键词提取,得到多个表头关键词。通过表头关键词来反映出数据库表的构成和内容的分类情况。
请参阅图2,在一些实施例中,步骤S103可以包括但不限于包括步骤S201至步骤S203:
步骤S201,对原始问题文本进行分割处理,得到多个候选问题语句;
步骤S202,根据表头关键词对候选问题语句进行遍历,得到目标问题语句;
步骤S203,对目标问题语句进行索引字段提取,得到问题索引字段。
在一些实施例的步骤S201中,根据原始问题文本的标点符号位置对原始问题文本进行分割处理,得到多个候选问题语句。具体地,由于原始问题文本中可能会涉及到多个问题,为了提高语言转换的准确性,需要对原始问题文本的多个问题进行单独拆分,得到多个候选问题语句。例如,某一原始问题文本为“John今年多大?John的弟弟就读于哪所学校?”,根据标点符号中的问号,将这一原始问题文本拆分成两个单独的候选问题语句,即“John今年多大?”和“John的弟弟就读于哪所学校?”。
在一些实施例的步骤S202中,选取表头关键词,将表头关键词与每一候选问题语句中的词段进行匹配,遍历每一个候选问题语句,若候选问题语句中带有与表头关键词相关的词段,则将这一候选问题语句作为目标问题语句。
在一些实施例的步骤S203中,根据预设的词性类别将目标问题语句拆分为多个词组,将与表头关键词相关的词段所在的词组标记为索引字段,该索引字段即为目标问题语句的token,通过这一方式可以得到每一目标问题语句对应的问题索引字段。例如,数据库表中的某一列的表头为“College”,该列对应的数据包括有多个大学名称,而对应这一表头关键词的目标问题语句的问题索引字段中也会包含“College”这一词段,根据实际的语境,问题索引字段可能是“York College”、“California College”等。
通过上述步骤S201至步骤S203使得能够基于表头关键词和问题索引字段进行语言转换,提高语言转换效率。
请参阅图3,在一些实施例中,步骤S104可以包括但不限于包括步骤S301至步骤S304:
步骤S301,提取表头关键词中的列特征向量;
步骤S302,对列特征向量和问题索引字段进行相似度计算,得到特征相似度值;
步骤S303,根据特征相似度值对表头关键词和问题索引字段进行语义对齐处理,得到问题特征序列;
步骤S304,将问题特征序列拆分为候选问题列特征和候选查询条件特征。
在一些实施例的步骤S301中,通过预设的BERT模型对表头关键词进行编码处理,提取表头关键词中的实体特征,得到表头关键词中的列特征向量。
在一些实施例的步骤S302中,先将问题索引字段转化为向量形式,得到问题索引向量,进而通过余弦相似度算法等对列特征向量和问题索引字段进行相似度计算,得到特征相似度值。
在一些实施例的步骤S303中,比对特征相似度值和预设的特征相似阈值,将特征相似度值大于或者等于特征相似阈值的列特征向量和问题索引字段作为一个列-问题索引对。进而,对列-问题索引对进行语义对齐处理,得到问题特征序列,具体地,根据特征相似度值对表头关键词和问题索引字段进行语义对齐处理的过程可以看作是一个原始问题文本的列名和数据库表的表内容之间的对齐任务,即将原始问题文本的问题和数据库表的内容中均出现的词段与数据库表的表头进行对齐。
例如,问题索引字段和表头关键词包括“College”,某一原始问题文本的问题为“How many CFL teams are from York College?”,原始问题文本中的问题索引字段出现了“York College”,而预设的数据库表的College列包括有数据“York”,则通过语义对齐处理将【value:“York”】匹配到【Column:College】,得到对应的问题特征序列。
进一步地,可以通过预训练的语义对齐模型实现上述的语义对齐过程,对语义对齐模型的训练过程可以定义为:给定N个原始问题文本以及预设的数据库表。每一个原始问题文本(Question,Q)内可以包括K个问题索引字段(即K个token),而对于的数据库表(Table,T)内可以包括M个列(对应有M个表头),原始问题文本可以表示为Qi=(t1,t2,…,tk);数据库表可以表示为T_header=(h1,h2,…,hm)。语义对齐模型的损失函数为最小化目标函数L(vcat),根据最小化目标函数的表达式(如公式1所示)可以对语义对齐模型进行优化,以更新语义对齐模型。
在一些实施例的步骤S304中,根据Text-to-SQL任务的语言类型,将Text-to-SQL任务分为两个子部分,即问题列部分(Select部分)和查询条件部分(where部分),具体地,将问题特征序列拆分为候选问题列特征和候选查询条件特征,其中,候选问题列特征包括Select部分召回的列的总数Select部分具体召回列的列名、召回列添加的聚合函数,候选查询条件特征包括where条件数量、where条件中对应的列、where各条件中对应的操作类型、where各条件中抽取出的文本值、where各条件中文本值对应的类型、where各条件中涉及的子查询操作。通过这一方式能够Text-to-SQL任务划分为9个不同的语言转换任务,实现语言转换的多任务学习,能够对问题句子之间的关系进行预测,从而提高Text-to-SQL任务的精度。
需要说明的是,为了提高Text-to-SQL任务生成的目标SQL语句的准确性,本申请实施例的语言转换目标函数为最小化目标函数L(text2sql),根据上述的特征拆分情况,将Text-to-SQL任务分为两个子部分,目标函数L的计算包含两个部分的损失,即L(text2sql)=L(Select)+L(where)。每一个子部分的损失函数均采用交叉熵算法函数。进一步地,在问题列部分(Select部分)和查询条件部分(where部分)的各个特征中,各特征的损失函数均采用交叉熵算法函数,问题列部分(Select部分)的损失函数L(Select)的损失值为上述三个候选问题列特征的损失值进行加权计算的总和,同样地,查询条件部分(where部分)的损失函数L(where)的损失值为上述六个候选查询条件特征的损失值进行加权计算的总和。
请参阅图4,在一些实施例中,步骤S302可以包括但不限于包括步骤S401至步骤S402:
步骤S401,对问题索引字段进行编码处理,得到问题索引向量;
步骤S402,通过余弦相似度算法对列特征向量和问题索引向量进行相似度计算,得到特征相似度值。
在一些实施例的步骤S401中,通过预设的BERT模型对问题索引字段进行编码处理,将问题索引字段转换为问题索引向量,其中,问题索引向量为词向量(tokenembeddings)。
在一些实施例的步骤S402中,假设列特征向量为u,问题索引向量为v,则根据余弦相似度算法的公式(如公式2所示),计算列特征向量和问题索引向量的特征相似度值。
在一些实施例的步骤S105,分类函数为softmax函数,通过预设的MLP网络对候选问题列特征进行语义空间到向量空间的映射处理,将候选问题列特征映射到预设的向量空间,得到候选问题列特征向量。通过分类函数对选问题列特征向量进行分类概率计算,在不同的预设问题列类别标签上创建一个概率分布,从而得到每一预设问题列类别标签的分类概率值,选取分类概率值最大的候选问题列特征作为目标标签列特征,该候选问题列特征对应的问题列类别标签为目标问题列类别标签。
请参阅图5,在一些实施例中,步骤S106还可以包括但不限于包括步骤S501至步骤S503:
步骤S501,通过预设的MLP网络将候选查询条件特征映射到预设的向量空间,得到候选查询条件向量;
步骤S502,通过分类函数对候选查询条件向量进行分类概率计算,得到每一预设条件类别标签的分类概率值;
步骤S503,根据分类概率值对候选查询条件特征进行筛选处理,得到目标查询特征。
在一些实施例的步骤S501中,通过预设的MLP网络对候选查询条件特征进行语义空间到向量空间的映射处理,将候选查询条件特征映射到预设的向量空间,得到候选查询条件向量。
在一些实施例的步骤S502中,分类函数为softmax函数,通过分类函数对候选查询条件向量进行分类概率计算,在不同的预设条件类别标签上创建一个概率分布,从而得到每一预设条件类别标签的分类概率值。
在一些实施例的步骤S503中,选取分类概率值最大的候选查询条件特征作为目标查询特征,该候选查询条件特征对应的预设条件类别标签为目标条件类别标签。
通过上述步骤S501至步骤S503能够较为方便地从候选问题列特征和候选查询条件特征中获取到符合需求的特征信息,提高生成目标SQL语句的准确性。
请参阅图6,在一些实施例,步骤,107还包括但不限于包括步骤S601至步骤S602:
步骤S601,对目标标签列特征和目标查询特征进行拼接处理,得到初始SQL语句;
步骤S602,通过预设的预测函数计算初始SQL语句的预测分值;
步骤S603,根据预测分值对初始SQL语句进行筛选处理,得到目标SQL语句;
步骤S604,对目标SQL语句进行语义解析处理,得到目标文本。
在一些实施例的步骤S601中,根据每一目标标签列特征和目标查询特征上的序号标签对目标标签列特征和目标查询特征进行排序,得到初始SQL特征序列,最后通过CONCAT函数等拼接函数对初始SQL特征序列的所有特征进行拼接处理,得到初始SQL语句。
在一些实施例的步骤S602中,预设的预测函数可以为softmax函数等,以softmax函数为例,通过softmax函数对多个类型的初始SQL语句进行一般化归纳,输出初始SQL语句属于不同语境类别的概率值,将这一概率值作为初始SQL语句的预测分值。
在一些实施例的步骤S603中,比对预测分值和预设的参考分值,选取预测分值大于或者等于参考分值的初始SQL语句作为目标SQL语句,其中,参考分值可以根据实际情况进行设置,不做限制。
在一些实施例的步骤S604中,根据预设的词性类别对目标SQL语句的词段进行语义解析,生成每一词段对应的同义词、近义词等等,从而根据目标SQL语句以及目标SQL语句的词段对应的同义词、近义词构建多个类型相同、语义近似的SQL语句,根据这一系列的SQL语句生成目标文本。
请参阅图7,在一些实施例中,步骤S603还可以包括但不限于包括步骤S701至步骤S702:
步骤S701,比对预测分值和预设的参考分值;
步骤S702,选取预测分值大于或者等于参考分值的初始SQL语句作为目标SQL语句。
在一些实施例的步骤S701中,比对预测分值和预设的参考分值的大小,其中,参考分值可以根据实际情况进行设置,不做限制。
在一些实施例的步骤S702中,根据预测分值和预设的参考分值的大小关系,若预测分值越高,则表明初始SQL语句的语义特征与原始问题文本的语义内容较为接近,因此,选取预测分值大于或者等于参考分值的初始SQL语句作为目标SQL语句。
本申请实施例的语言转换方法,其通过获取原始问题文本;其中,原始问题文本为自然语言文本;对预先获取的数据库表进行关键词提取,得到表头关键词,并对根据表头关键词对原始问题文本进行字段提取,得到问题索引字段,使得能够基于表头关键词和问题索引字段进行语言转换,提高语言转换效率。进一步地,对表头关键词和问题索引字段进行语义对齐处理,得到问题特征序列,并将问题特征序列拆分为候选问题列特征和候选查询条件特征,能够对原始问题文本中每一问题索引字段和数据库表的表头进行配对,实现原始问题文本和数据库表的内容对齐,能够帮助在语言转换过程中识别句子之间的潜在语义关系。进一步地,通过预设的分类函数对候选问题列特征进行分类处理,得到目标标签列特征,并对候选查询条件特征进行筛选处理,得到目标查询特征,能够较为方便地从候选问题列特征和候选查询条件特征中获取到符合需求的特征信息;最后对目标标签列特征和目标查询特征进行拼接处理,得到目标文本,其中,目标文本包括SQL语句,通过候选问题列特征和候选查询条件特征之间的潜在语义关系进行匹配和拼接处理,能够提高生成的SQL语句的准确性。
请参阅图8,本申请实施例还提供一种语言转换装置,可以实现上述语言转换方法,该装置包括:
问题文本获取模块801,用于获取原始问题文本;其中,原始问题文本为自然语言文本;
关键词提取模块802,用于对预先获取的数据库表进行关键词提取,得到表头关键词;
索引字段提取模块803,用于根据表头关键词对原始问题文本进行字段提取,得到问题索引字段;
语义对齐模块804,用于对表头关键词和问题索引字段进行语义对齐处理,得到问题特征序列,并将问题特征序列拆分为候选问题列特征和候选查询条件特征;
分类模块805,用于通过预设的分类函数对候选问题列特征进行分类处理,得到目标标签列特征;
筛选模块806,用于对候选查询条件特征进行筛选处理,得到目标查询特征;
拼接模块807,用于对目标标签列特征和目标查询特征进行拼接处理,得到目标文本,其中,目标文本包括SQL语句。
在一些实施例中,索引字段提取模块803包括:
分割单元,用于对原始问题文本进行分割处理,得到多个候选问题语句;
遍历单元,用于根据表头关键词对候选问题语句进行遍历,得到目标问题语句;
提取单元,用于对目标问题语句进行索引字段提取,得到问题索引字段。
在一些实施例中,语义对齐模块804包括:
列特征提取单元,用于提取表头关键词中的列特征向量;
相似度计算单元,用于对列特征向量和问题索引字段进行相似度计算,得到特征相似度值;
对齐单元,用于根据特征相似度值对表头关键词和问题索引字段进行语义对齐处理,得到问题特征序列;
拆分单元,用于将问题特征序列拆分为候选问题列特征和候选查询条件特征。
在一些实施例中,筛选模块806包括:
映射单元,用于通过预设的MLP网络将候选查询条件特征映射到预设的向量空间,得到候选查询条件向量;
分类概率计算单元,用于通过分类函数对候选查询条件向量进行分类概率计算,得到每一预设条件类别标签的分类概率值;
特征筛选单元,用于根据分类概率值对候选查询条件特征进行筛选处理,得到目标查询特征。
在一些实施例中,拼接模块807包括:
特征拼接单元,用于对目标标签列特征和目标查询特征进行拼接处理,得到初始SQL语句;
预测分值计算单元,用于通过预设的预测函数计算初始SQL语句的预测分值;
语句筛选单元,用于根据预测分值对初始SQL语句进行筛选处理,得到目标SQL语句;
解析单元,用于对目标SQL语句进行语义解析处理,得到目标文本。
该语言转换装置的具体实施方式与上述语言转换方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述语言转换方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9,图9示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器901,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器902,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器902可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器902中,并由处理器901来调用执行本申请实施例的语言转换方法;
输入/输出接口903,用于实现信息输入及输出;
通信接口904,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线905,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息;
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述语言转换方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的语言转换方法、语言转换装置、电子设备及存储介质,其通过获取原始问题文本;其中,原始问题文本为自然语言文本;对预先获取的数据库表进行关键词提取,得到表头关键词,并对根据表头关键词对原始问题文本进行字段提取,得到问题索引字段,使得能够基于表头关键词和问题索引字段进行语言转换,提高语言转换效率。进一步地,对表头关键词和问题索引字段进行语义对齐处理,得到问题特征序列,并将问题特征序列拆分为候选问题列特征和候选查询条件特征,能够对原始问题文本中每一问题索引字段和数据库表的表头进行配对,实现原始问题文本和数据库表的内容对齐。进一步地,通过预设的分类函数对候选问题列特征进行分类处理,得到目标标签列特征,并对候选查询条件特征进行筛选处理,得到目标查询特征,能够较为方便地从候选问题列特征和候选查询条件特征中获取到符合需求的特征信息;最后对目标标签列特征和目标查询特征进行拼接处理,得到目标文本,其中,目标文本包括SQL语句,通过候选问题列特征和候选查询条件特征之间的潜在语义关系进行匹配和拼接处理,能够提高生成的SQL语句的准确性。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-7中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种语言转换方法,其特征在于,所述方法包括:
获取原始问题文本;其中,所述原始问题文本为自然语言文本;
对预先获取的数据库表进行关键词提取,得到表头关键词;
根据所述表头关键词对所述原始问题文本进行字段提取,得到问题索引字段;
对所述表头关键词和所述问题索引字段进行语义对齐处理,得到问题特征序列,并将所述问题特征序列拆分为候选问题列特征和候选查询条件特征;
通过预设的分类函数对所述候选问题列特征进行分类处理,得到目标标签列特征;
对所述候选查询条件特征进行筛选处理,得到目标查询特征;
对所述目标标签列特征和所述目标查询特征进行拼接处理,得到目标文本,其中,所述目标文本包括SQL语句。
2.根据权利要求1所述的语言转换方法,其特征在于,所述根据所述表头关键词对所述原始问题文本进行字段提取,得到问题索引字段的步骤,包括:
对所述原始问题文本进行分割处理,得到多个候选问题语句;
根据所述表头关键词对所述候选问题语句进行遍历,得到目标问题语句;
对所述目标问题语句进行索引字段提取,得到所述问题索引字段。
3.根据权利要求1所述的语言转换方法,其特征在于,所述对所述表头关键词和所述问题索引字段进行语义对齐处理,得到问题特征序列,并将所述问题特征序列拆分为候选问题列特征和候选查询条件特征的步骤,包括:
提取所述表头关键词中的列特征向量;
对所述列特征向量和所述问题索引字段进行相似度计算,得到特征相似度值;
根据所述特征相似度值对所述表头关键词和所述问题索引字段进行语义对齐处理,得到所述问题特征序列;
将所述问题特征序列拆分为候选问题列特征和候选查询条件特征。
4.根据权利要求3所述的语言转换方法,其特征在于,所述对所述列特征向量和所述问题索引字段进行相似度计算,得到特征相似度值的步骤,包括:
对所述问题索引字段进行编码处理,得到问题索引向量;
通过余弦相似度算法对所述列特征向量和所述问题索引向量进行相似度计算,得到所述特征相似度值。
5.根据权利要求1所述的语言转换方法,其特征在于,所述对所述候选查询条件特征进行筛选处理,得到目标查询特征的步骤,包括:
通过预设的MLP网络将所述候选查询条件特征映射到预设的向量空间,得到候选查询条件向量;
通过所述分类函数对所述候选查询条件向量进行分类概率计算,得到每一预设条件类别标签的分类概率值;
根据所述分类概率值对所述候选查询条件特征进行筛选处理,得到所述目标查询特征。
6.根据权利要求1至5任一项所述的语言转换方法,其特征在于,所述对所述目标标签列特征和所述目标查询特征进行拼接处理,得到目标文本,其中,所述目标文本包括SQL语句的步骤,包括:
对所述目标标签列特征和所述目标查询特征进行拼接处理,得到初始SQL语句;
通过预设的预测函数计算所述初始SQL语句的预测分值;
根据所述预测分值对所述初始SQL语句进行筛选处理,得到目标SQL语句;
对所述目标SQL语句进行语义解析处理,得到所述目标文本。
7.根据权利要求6所述的语言转换方法,其特征在于,所述根据所述预测分值对所述初始SQL语句进行筛选处理,得到目标SQL语句的步骤,包括:
比对所述预测分值和预设的参考分值;
选取所述预测分值大于或者等于所述参考分值的初始SQL语句作为所述目标SQL语句。
8.一种语言转换装置,其特征在于,所述装置包括:
问题文本获取模块,用于获取原始问题文本;其中,所述原始问题文本为自然语言文本;
关键词提取模块,用于对预先获取的数据库表进行关键词提取,得到表头关键词;
索引字段提取模块,用于根据所述表头关键词对所述原始问题文本进行字段提取,得到问题索引字段;
语义对齐模块,用于对所述表头关键词和所述问题索引字段进行语义对齐处理,得到问题特征序列,并将所述问题特征序列拆分为候选问题列特征和候选查询条件特征;
分类模块,用于通过预设的分类函数对所述候选问题列特征进行分类处理,得到目标标签列特征;
筛选模块,用于对所述候选查询条件特征进行筛选处理,得到目标查询特征;
拼接模块,用于对所述目标标签列特征和所述目标查询特征进行拼接处理,得到目标文本,其中,所述目标文本包括SQL语句。
9.一种电子设备,其特征在于,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现如权利要求1至7任一项所述的语言转换方法的步骤。
10.一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至7任一项所述的语言转换方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210361878.2A CN114722069A (zh) | 2022-04-07 | 2022-04-07 | 语言转换方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210361878.2A CN114722069A (zh) | 2022-04-07 | 2022-04-07 | 语言转换方法和装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114722069A true CN114722069A (zh) | 2022-07-08 |
Family
ID=82242127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210361878.2A Pending CN114722069A (zh) | 2022-04-07 | 2022-04-07 | 语言转换方法和装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722069A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115080603A (zh) * | 2022-08-16 | 2022-09-20 | 广东省科技基础条件平台中心 | 一种数据库查询语言转换方法、装置、设备及存储介质 |
CN115130432A (zh) * | 2022-07-13 | 2022-09-30 | 平安科技(深圳)有限公司 | 文本处理方法、文本处理装置、电子设备及存储介质 |
CN116340467A (zh) * | 2023-05-11 | 2023-06-27 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置、电子设备及计算机可读存储介质 |
CN116467500A (zh) * | 2023-06-15 | 2023-07-21 | 阿里巴巴(中国)有限公司 | 数据关系识别、自动问答、查询语句生成方法 |
CN116701437A (zh) * | 2023-08-07 | 2023-09-05 | 上海爱可生信息技术股份有限公司 | 数据转化方法、数据转化系统、电子设备及可读存储介质 |
CN117591547A (zh) * | 2024-01-18 | 2024-02-23 | 中昊芯英(杭州)科技有限公司 | 数据库的查询方法、装置、终端设备以及存储介质 |
CN118069905A (zh) * | 2024-04-22 | 2024-05-24 | 中国船舶集团有限公司第七一九研究所 | 一种交互式电子手册数据转化系统 |
CN118093621A (zh) * | 2024-02-20 | 2024-05-28 | 上海信投数字科技有限公司 | 结构化查询语言生成方法、装置、电子设备及存储介质 |
-
2022
- 2022-04-07 CN CN202210361878.2A patent/CN114722069A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130432A (zh) * | 2022-07-13 | 2022-09-30 | 平安科技(深圳)有限公司 | 文本处理方法、文本处理装置、电子设备及存储介质 |
CN115130432B (zh) * | 2022-07-13 | 2023-05-05 | 平安科技(深圳)有限公司 | 文本处理方法、文本处理装置、电子设备及存储介质 |
CN115080603A (zh) * | 2022-08-16 | 2022-09-20 | 广东省科技基础条件平台中心 | 一种数据库查询语言转换方法、装置、设备及存储介质 |
CN116340467A (zh) * | 2023-05-11 | 2023-06-27 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置、电子设备及计算机可读存储介质 |
CN116340467B (zh) * | 2023-05-11 | 2023-11-17 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置、电子设备、及计算机可读存储介质 |
CN116467500B (zh) * | 2023-06-15 | 2023-11-03 | 阿里巴巴(中国)有限公司 | 数据关系识别、自动问答、查询语句生成方法 |
CN116467500A (zh) * | 2023-06-15 | 2023-07-21 | 阿里巴巴(中国)有限公司 | 数据关系识别、自动问答、查询语句生成方法 |
CN116701437B (zh) * | 2023-08-07 | 2023-10-20 | 上海爱可生信息技术股份有限公司 | 数据转化方法、数据转化系统、电子设备及可读存储介质 |
CN116701437A (zh) * | 2023-08-07 | 2023-09-05 | 上海爱可生信息技术股份有限公司 | 数据转化方法、数据转化系统、电子设备及可读存储介质 |
CN117591547A (zh) * | 2024-01-18 | 2024-02-23 | 中昊芯英(杭州)科技有限公司 | 数据库的查询方法、装置、终端设备以及存储介质 |
CN118093621A (zh) * | 2024-02-20 | 2024-05-28 | 上海信投数字科技有限公司 | 结构化查询语言生成方法、装置、电子设备及存储介质 |
CN118093621B (zh) * | 2024-02-20 | 2024-07-26 | 上海信投数字科技有限公司 | 结构化查询语言生成方法、装置、电子设备及存储介质 |
CN118069905A (zh) * | 2024-04-22 | 2024-05-24 | 中国船舶集团有限公司第七一九研究所 | 一种交互式电子手册数据转化系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113792818B (zh) | 意图分类方法、装置、电子设备及计算机可读存储介质 | |
CN114722069A (zh) | 语言转换方法和装置、电子设备及存储介质 | |
CN107798140B (zh) | 一种对话系统构建方法、语义受控应答方法及装置 | |
CN114358007A (zh) | 多标签识别方法、装置、电子设备及存储介质 | |
CN113887215A (zh) | 文本相似度计算方法、装置、电子设备及存储介质 | |
CN112100332A (zh) | 词嵌入表示学习方法及装置、文本召回方法及装置 | |
CN114595327A (zh) | 数据增强方法和装置、电子设备、存储介质 | |
CN114359810A (zh) | 视频摘要生成方法、装置、电子设备及存储介质 | |
CN114841146B (zh) | 文本摘要生成方法和装置、电子设备及存储介质 | |
CN114626097A (zh) | 脱敏方法、脱敏装置、电子设备及存储介质 | |
CN114897060B (zh) | 样本分类模型的训练方法和装置、样本分类方法和装置 | |
CN114416995A (zh) | 信息推荐方法、装置及设备 | |
CN114519356A (zh) | 目标词语的检测方法、装置、电子设备及存储介质 | |
CN111597807B (zh) | 分词数据集生成方法、装置、设备及其存储介质 | |
CN114926039A (zh) | 风险评估方法、风险评估装置、电子设备及存储介质 | |
CN114936274A (zh) | 模型训练方法、对话生成方法和装置、设备及存储介质 | |
CN115510232A (zh) | 文本语句分类方法和分类装置、电子设备及存储介质 | |
CN114722174A (zh) | 提词方法和装置、电子设备及存储介质 | |
CN114358020A (zh) | 疾病部位识别方法、装置、电子设备及存储介质 | |
CN114492661A (zh) | 文本数据分类方法和装置、计算机设备、存储介质 | |
CN114490949A (zh) | 基于bm25算法的文档检索方法、装置、设备及介质 | |
CN114398903B (zh) | 意图识别方法、装置、电子设备及存储介质 | |
CN114492437B (zh) | 关键词识别方法、装置、电子设备及存储介质 | |
CN114722774B (zh) | 数据压缩方法、装置、电子设备及存储介质 | |
CN115795007A (zh) | 智能问答方法、智能问答装置、电子设备及存储介质 |
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 |