一种依需聚合的语义解析图查询模型

李青; 钟将; 李立力; 李琪; 张淑芳; 张剑

doi:10.3969/j.issn.0372-2112.2020.04.018

您当前的位置：

首页 >

文章列表页 >

一种依需聚合的语义解析图查询模型

学术论文 | 更新时间：2025-07-08

- 一种依需聚合的语义解析图查询模型
- Semantic Parsing Graph Query Model for On-Demand Aggregation
- 电子学报 2020年48卷第4期页码：763-771
- 作者机构：
  
  1. 重庆大学计算机学院,重庆,400044
  2. 重庆大学土木工程学院,重庆,400044
  3. 绍兴文理学院计算机科学与工程系,浙江,绍兴,312000
  4. 重庆电子工程职业学院,重庆,401331
  5. 重庆西信天元数据资讯有限公司,重庆,401121
  6. 重庆大学计算机学院,重庆,400044
  7. 重庆大学土木工程学院,重庆,400044
  8. 绍兴文理学院计算机科学与工程系,浙江,绍兴,312000
  9. 重庆电子工程职业学院,重庆,401331
  10. 重庆西信天元数据资讯有限公司,重庆,401121
- 作者简介：
- 基金信息：
  
  国家重点研发计划 (No.2017YFB1402401）;中央高校研究生科研创新项目 (No.2018CDYJSY0055）;重庆市研究生科研创新项目 (No.CYB18058）;陕西省教育厅科学技术研究计划 (No.18JK1130）;重庆市技术创新与应用示范项目 (No.cstc2018jszx-cyzdX0086）;重庆市技术创新与应用发展重点项目 (No.cstc2019jscx-fxyd0142）;重庆市社会事业与民生保障科技创新专项 (No.cstc2017shmsA0641）;重庆市教育委员会科学技术研究计划青年项目 (No.KJQN201903112）
- DOI：10.3969/j.issn.0372-2112.2020.04.018
  中图分类号： TP302.1
- 网络出版：2020-04-25，
  
  纸质出版：2020
- 稿件说明：
移动端阅览
李青, 钟将, 李立力, 等. 一种依需聚合的语义解析图查询模型[J]. 电子学报, 2020,48(4):763-771.

Semantic Parsing Graph Query Model for On-Demand Aggregation[J]. Acta Electronica Sinica, 2020, 48(4): 763-771.
李青, 钟将, 李立力, 等. 一种依需聚合的语义解析图查询模型[J]. 电子学报, 2020,48(4):763-771. DOI： 10.3969/j.issn.0372-2112.2020.04.018.

Semantic Parsing Graph Query Model for On-Demand Aggregation[J]. Acta Electronica Sinica, 2020, 48(4): 763-771. DOI： 10.3969/j.issn.0372-2112.2020.04.018.

摘要

本文设计并实现了依需聚合的语义深层网查询模型SemtoSql+.提出以长短期记忆网络为基础，采用词嵌入技术将语料库训练为模型输入的词向量；并结合依赖关系图，将SQL语句四个层级的生成问题转换为依赖关系图中槽的填充问题，同时引入注意力机制有效避免了传统模型中的顺序问题；采用随机蒙蔽机制，构建依需聚合的增强型SemtoSql+模型.

Abstract

In this paper

we design and propose SemtoSql+

a semantic deep network query model based on demand aggregation. At the same time

it is a network to address the complex and cross-domain Text-to-SQL generation task. Based on LSTM and Word2Vec embedding technology

the corpus is trained as the input word vector of the model. Combined with the dependency graph method

the problem of SQL statement generation transforms into slot filling. SemtoSql+divides complex tasks into four levels and constructs by the need of aggregation

using the attention mechanism to effectively avoid the order problem in the traditional model and using a random masked mechanism to enhance the model.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

面向时序异常检测的可变视距多向扫描方法

基于稀疏平滑自蒸馏的差分隐私深度学习方法

基于非一般类算子融合方法及硬件架构设计

基于注意力融合多尺度特征的解压缩点云质量增强方法

基于深度压缩感知的联合信源信道编码方法研究