Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Giao diện tự động tạo truy vấn thông minh cho cơ sở dữ liệu quan hệ sử dụng kỹ thuật học sâu
Tóm tắt
Trong thế giới truy xuất thông tin đang phát triển, việc lựa chọn từ khóa và tạo ra các truy vấn rất quan trọng cho việc truy xuất hiệu quả. Hầu hết các ứng dụng cơ sở dữ liệu thế hệ mới yêu cầu giao diện sắc sảo để nâng cao kết nối hiệu quả giữa các cơ sở dữ liệu khác nhau và người dùng. Đa phần các giao diện hiện có cho cơ sở dữ liệu cần phải thông minh và cũng phải hiểu được các diễn đạt ngôn ngữ tự nhiên. Bài báo này đề cập đến việc ánh xạ các truy vấn ngôn ngữ tự nhiên dưới dạng nói và chuyển đổi chúng thành các từ tạo thành nền tảng của SQL. Chúng tôi đưa ra một khuôn khổ tổng thể cho một giao diện cơ sở dữ liệu thông minh có thể được liên kết với bất kỳ cơ sở dữ liệu nào. Một trong những tính năng nổi bật nhất của giao diện này là tính độc lập miền. Giao diện thông minh sử dụng các kỹ thuật nhận diện giọng nói để chuyển đổi đầu vào ngôn ngữ nói thành văn bản. Sau đó, một kỹ thuật khớp ngữ nghĩa được sử dụng để chuyển đổi truy vấn ngôn ngữ tự nhiên thành từ SQL, được hỗ trợ bằng cách sử dụng từ điển và một tập hợp các quy tắc sản xuất. Từ điển bao gồm các tập hợp ngữ nghĩa cho các cột và bảng. Loại truy vấn được xác định, bộ truy vấn và từ được ghi nhớ và gửi qua mạng nơ-ron tích chập để có cấu trúc tốt hơn. Công việc này cố gắng sử dụng các kỹ thuật xử lý ngôn ngữ tự nhiên, phân tích cú pháp và gán thẻ từ loại để xác định cấu trúc ngữ nghĩa của các đầu vào. Các kỹ thuật ngôn ngữ tự nhiên được sử dụng để tăng sản xuất các truy vấn không mơ hồ và tăng tốc độ phát hiện và xác định các phần quan trọng trong một truy vấn.
Từ khóa
#truy xuất thông tin #cơ sở dữ liệu quan hệ #truy vấn ngôn ngữ tự nhiên #nhận diện giọng nói #học sâuTài liệu tham khảo
Anderson, D., & Hills, M. (2017, February). Query construction patterns in PHP. In: IEEE 24th international conference on software analysis, evolution and reengineering (SANER), 2017 (pp. 452–456). IEEE.
Brodie, M. L. (1988). Future intelligent information systems: AI and database technologies working together. In: Readings in artificial intelligence and databases (pp. 623–641).
Celko, J., Burleson, D. K., & Cook, J. P. (2015). Advanced SQL database programmer handbook. Kittrell: Rampant Tech.
Chan, T. H., Ho, S. W., & Yamamoto, H. (2015, June). Private information retrieval for coded storage. In: IEEE international symposium on information theory (ISIT), 2015 (pp. 2842–2846). IEEE.
Charniak, E., & Johnson, M. (2005, June). Coarse-to-fine n-best parsing and MaxEnt discriminative reranking. In: Proceedings of the 43rd annual meeting on association for computational linguistics (pp. 173–180). Association for Computational Linguistics.
Demidova, E., Zhou, X., & Nejdl, W. (2012). A probabilistic scheme for keyword-based incremental query construction. IEEE Transactions on Knowledge and Data Engineering, 24(3), 426.
Greene, B. B., & Rubin, G. M. (1971). Automatic grammatical tagging of English. Technical report, Department of Linguistics, Brown University, Providence, Rhode Island.
Guo, T., Dong, J., Li, H., & Gao, Y. (2017, March). Simple convolutional neural network on image classification. In: IEEE 2nd international conference on big data analysis (ICBDA) (pp. 721–724).
Gupta, S., Mohanta, S., Chakraborty, M., & Ghosh, S. (2017, August). Quantum machine learning-using quantum computation in artificial intelligence and deep neural networks: Quantum computation and machine learning in artificial intelligence. In: 8th annual industrial automation and electromechanical engineering conference (IEMECON), 2017 (pp. 268–274). IEEE.
Iftikhar, A., Iftikhar, E., & Mehmood, M. K., (2016, August). Domain specific query generation from natural language text. In: Sixth international conference on innovative computing technology (INTECH), 2016 (pp. 502–506). IEEE.
Kasmaji, A. N. S., & Purwarianti, A. (2015, August). Employing natural language processing to analyse grammatical error in a simple Japanese sentence. In: international conference on electrical engineering and informatics (ICEEI), 2015 (pp. 82–86). IEEE.
Kupiec, J. (1992). Robust part-of-speech tagging using a hidden Markov model. Computer Speech and Language, 6(3), 225–242.
Ma, Z. (2007). Intelligent databases: Technologies and applications. Pennsylvania: IGI Global.
McKay, D. P., Finin, T., & O’Hare, A. (1990, August). The intelligent database interface: Integrating AI and database systems. In: Proceedings of the 1990 national conference on artificial intelligence.
Nguyen, D. Q., & Verspoor, K. (2018). An improved neural network model for joint POS tagging and dependency parsing. arXiv preprint arXiv:1807.03955.
Nguyen, D. Q., & Verspoor, K. (2019). From POS tagging to dependency parsing for biomedical event extraction. BMC Bioinformatics, 20(1), 72.
Rabiner, L. R., & Juang, B. H. (1986). An introduction to hidden Markov models. IEEE ASSP Magazine, 3(1), 4–6.
Ruparel, B. (1990). Designing and implementing intelligent database applications-a case study, Bethesda, MD. In: Proceedings [1990] IEEE conference on managing expert system programs and projects (pp. 223–229).
Sangeetha, J., & Jothilakshmi, S. (2017). Speech translation system for English to dravidian languages. Applied Intelligence, 46(3), 534–550.
Sontakke, A. R., & Pimpalkar, A. (2014). A rule based graphical user interface to relational database using NLP. Interaction, 5, 6.
Trinkunas, J., & Vasilecas, O. (2009). Ontology transformation: From requirements to conceptual model. Scientific Papers, University of Latvia, Computer Science and Information Technologies, 751, 52–64.
Wolfram, D. (2013, October). Applications of SQL for informetric data processing. In: Proceedings of the annual conference of CAIS/Actes du congrès annuel de l’ACSI.
Yadav, P. K., & Rizvi, S. A. M. (2016). Ghaziabad, Randomized algorithm for optimal query plan generation for distributed environments. IEEE.
Yang, L., Zhang, M., Liu, Y., Sun, M., Yu, N., & Fu, G. (2018). Joint POS tagging and dependence parsing with transition-based neural networks. IEEE/ACM Transactions on Audio, Speech and Language Processing (TASLP), 26(8), 1352–1358.
Zhu, R., Mao, X. J., Zhu, Q. H., Li, N., & Yang, Y. B. (2016, September). Text detection based on convolutional neural networks with spatial pyramid pooling. In: ICIP (pp. 1032–1036).