基于问句语义图神经网络的中文问句生成SQL语句研究

自然语言问句转为结构化查询语句(Text-to-SQL)是语义解析领域中热点研究之一,其目标是将自然语言问句转化为数据库可以理解且执行的结构化查询语句。现有研究大部分仅考虑数据库层面的关联信息,忽略了问句中的实体关系信息的重要性。为了提高模型捕捉问句中语义的有用信息,本文在IGSQL模型基础上,引入问句中实体之间的图网络信息,通过注意力机制来自动学习问句和数据库模式之间的关联。在Chase数据集上的实验结果表明,本文提出模型的完全匹配率达到46.2%。相比较于基线模型,完全匹配率提升了6.3%。

SQL生成器的设计与实现

编写复杂的SQL语句既耗费时间又容易出错,出现了许多SQL生成工具。现有的SQL生成工具大多缺乏完善的错误检测功能和良好的可扩展性。在吸收现有SQL生成工具优点的基础上设计了Select_SQL_Builder系统,它基于SQL92标准,实现了复杂的查询语句。系统对SQL语句进行了完整性、重复性和类型匹配等检查,并且把函数、表达式和条件作为对象,便于显示、修改、检查和生成SQL语句。同时经过简单的修改,系统能适应不同的数据库和增加更新语句、删除语句等功能。

SQL生成器设计与实现

针对高考成绩统计分析个性化需求多、对工作人员信息处理能力要求高等问题,设计并实现了面向高考成绩统计分析的SQL生成器,用统计对象、统计属性、维度表达式、统计函数四元素组成统计单元描述用户分析需求,并映射为数据库对象。按照算法流程分别生成SQL语句的select子句、from子句和where子句,最终合并为可用于统计分析的完整SQL语句,实现高考成绩统计分析可定制化。

基于.NET的SQL语句生成器的设计与实现

程序员在项目开发过程中,普遍反映复杂的SQL语句编写起来既耗费时间又容易出错,为了提高项目开发的效率,文章以项目为需求,以.NET三层架构为基础,实现了SQL语句生成器。它基于SQL92标准,可以实现Select、Update、Delete以及Insert等语句的自动生成,并可以以此为基础实现完整的类定义,很大程度上提高了项目开发的效率。

基于伪变长染色体的遗传算法在SQL生成器中的应用

SQL生成器是平台软件的一个核心部件,能快速生成SQL语句,将提高平台系统的效率和减少应用系统的开发工作量,提出基于伪变长染色体的遗传算法解决SQL自动生成器的表间联接串生成的方法,和传统方法相比较,缩小搜索空间,使效率比较以往有所提高。

自然语言生成多表SQL查询语句技术研究

自然语言生成SQL查询不仅是构建智能数据库查询系统的一个重要组成部分,亦是新型供电轨道交通系统混合时态大数据个性化运维的难点之一。目前利用深度学习模型的方法专注于数据库中单表SQL查询生成,无法解决数据库中多表SQL查询生成。针对这个问题,采用一种基于SQL语句模板填充的方法,将序列生成问题转化为多个分类问题,在训练深度学习模型的过程中充分利用SQL子句不同预测成分之间的依赖关系。在FROM子句的多表JOIN路径生成方面,将其建模为斯坦纳树问题,采用一种全局最优的算法来进行求解。在一个开放的文本生成SQL数据集Spider上对模型和算法进行实验验证,实验结果表明该方法能有效地提升多表SQL查询生成的查询匹配准确率。

图神经网络在Text-to-SQL解析中的技术研究

语义解析领域中的Text-to-SQL任务对实现基于数据库的自动问答具有重要意义。现有深度学习模型,如Seq2Seq的序列生成模型在单表SQL查询中已取得显著效果,但无法解决多表SQL查询的问题。图神经网络能够有效提取数据库表和问句之间的关联信息,丰富解析过程中的语义信息,从而提升多表SQL查询的准确率。文中提出一种自适应的图构建方式和图编码方式,在现有Text-to-SQL模型中引入问句信息,通过对问句和数据库的拼接词向量进行卷积操作生成图网络初始化权重,对同种类型下的不同数据库可实现统一训练。采用IRNet框架和关系扩充的方式进行整体模型设计,在当前开放的Text-to-SQL数据集Spider上进行验证。结果表明,该技术能够有效提升多表SQL语句生成的匹配准确率,同时算法对图神经网络在Text-to-SQL领域的研究具有重要的参考价值。

Entity Framework数据访问性能优化的几种方法

Entity Framework一般通过LINQ代码或lambda表达式自动生成SQL语句,开发效率很高,然而使用时如果不注意会引来性能问题。通过对不同方法使用Entity Framework进行比较,提出Entity Framework数据访问性能优化的几种方法,包括更新数据时使用无跟踪查询、通过附加数据修改和删除数据、合理使用ToList()和FirstOrDefault()、合理使用预先加载。经过性能测试,这些方法是有效的。

基于深度学习的SQL生成研究综述

SQL生成(text-to-SQL)是自动化软件工程的重要应用之一,也是语义解析领域的研究热点.SQL生成根据输入的自然语言描述自动生成相应的SQL数据库查询语句,它允许非专业人员在不了解SQL语法的情况下访问数据库.随着大量SQL相关数据集的不断构造以及人工智能技术的卓越进步,SQL生成任务也得到了极大的发展.基于深度学习的SQL生成(deep learning-based text-to-SQL)能够利用大规模数据的优势,从已有数据中学习自然语言、数据库以及SQL语句的表示,并根据新的自然语言输入生成符合查询需求的SQL语句.相对于传统的SQL生成,基于深度学习的SQL生成具有高准确率、输入信息灵活和可迭代学习的优点.近年来,研究者在基于深度学习的SQL生成方面进行了一系列的研究,本文从SQL生成场景、数据集、模型结构和评估方法层面对现有研究进行分类综述.

基于BI工具的OLAP SQL语句生成系统研究与实现

目前,商业智能工具作为将企业中现有数据转化为知识、帮助企业做出恰当业务经营决策的重要工具,在国内外多个行业的企业中已经得到了广泛应用,其中,BI工具SQL语句生成系统是BI工具中不可或缺的联机分析处理部分的重要组成。本文研究了市面上主流BI工具的SQL语句生成系统,通过特定结构的输入,分析其输出,从而推测其内部可能的SQL生成规则。在此基础上,结合主流BI工具的SQL语句生成系统,定义了一套与数据仓库概念对应的数据模型作为系统输入,并详细阐述了SQL语句生成系统自动生成SQL语句的过程以及其内部体系结构,最后实现了一个基于BI工具的OLAP SQL语句生成系统。