Детальная информация

В данной работе рассматривается решение задачи перевода естественного языка в SQL с помощью современных архитектур GPT-3, BERT, T5. Проводится сравнительный анализ этих архитектур при использовании двух подходов: с использованием sketch-based архитектуры, при которой конечный запрос не генерируется полностью, а заполняются «слоты» и с генерацией конечного запроса на SQL text-to-text. Для решения полученной задачи исследования эффективности различных нейронных сетей для начала были рассмотрены существующие решения. Были подробно изучены устройства архитектур GPT-3, T5 и BERT для последующей интеграции в модели для решения задачи NL2SQL. Для sketch-based подхода за бейзлайн была взята модель SQLova, которая была затем переписана для внесения дополнительных изменений. Были обучены модели с использованием GPT-3, T5 и проведен сравнительный анализ результатов. В text-to-text подходе за основную использовалась модель T5, которая без дополнительных решений показала сразу хороший результат. Далее она была улучшена с помощью gated extraction network, генерацией вторичных данных. Такая же модель была обучена с помощью архитектуры GPT-3, проведено сравнение результатов.

This paper considers the solution of the problem of natural language translation in SQL using modern architectures GPT-3, BERT, T5.A comparative analysis of these architectures is carried out using two approaches: using a sketch-based architecture, in which the final query is not generated completely, but the "slots" are filled, and with the generation of the final query in SQL text-to-text. To solve the obtained problem of studying the effectiveness of various neural networks, we first considered the existing solutions. The devices of the GPT-3, T5, and BERT architectures were studied in detail for subsequent integration into models for solving the NL2SQL problem. For the sketch-based approach, the SQLova model was taken as the baseline, which was then rewritten to make additional changes. Models were trained using GPT-3, T5 and a comparative analysis of the results was carried out. In the text-to-text approach, the T5 model was used for the main one, which immediately showed a good result without additional solutions. It was further improved with the gated extraction network, the generation of secondary data. The same model was trained using the GPT-3 architecture, and the results were compared.

• ВВЕДЕНИЕ
• ГЛАВА 1. ОСНОВНЫЕ КОНЦЕПЦИИ, ПОДХОДЫ И АРХИТЕКТУРЫ, ИСПОЛЬЗУЕМЫЕ В ЗАДАЧАХ NL2SQL И NLP
  • 1.1. Понятия и подходы в NL2SQL
  • 1.2. Подходы к решению задачи NL2SQL
    • 1.2.1. Модель Seq2SQL
    • 1.2.2. Модель SQLNet
    • 1.2.3. Модель TypeSQL
    • 1.2.4. Модель X-SQL
  • 1.3. Архитектуры BERT, GPT-3 и T5
    • 1.3.1. Transformer и механизм self-attention
    • 1.3.2. Bidirectional Encoder Representations from Transformers
    • 1.3.3. Generative Pre-trained Transformer (GPT-3)
    • 1.3.4. Text-To-Text Transfer Transformer (T5)
• ГЛАВА 2. ПОДХОД К РЕШЕНИЮ ЗАДАЧИ NL2SQL
  • 2.1. Постановка задачи
  • 2.2. Задача WikiSQL
• ГЛАВА 3. МОДЕЛИ ДЛЯ SKETCH-BASED ПОДХОДА НА ОСНОВЕ BERT, GPT-3 И T5
  • 3.1. Работа над реализацией моделей
  • 3.2. Описание baseline на основе BERT
    • 3.2.1. Использование BERT для NL2SQL
    • 3.2.2. Генерация последовательности-в-SQL
    • 3.2.3. Модель на основе GPT-3 и T5
• ГЛАВА 4. МОДЕЛИ ДЛЯ ГЕНЕРАЦИИ КОНЕЧНОГО ЗАПРОСА TEXT-TO-TEXT НА ОСНОВЕ GPT-3 И T5
  • 4.1. Работа над реализацией моделей
  • 4.2. Методы для улучшения качества моделей генерации GPT-3 и T5
• ГЛАВА 5. ОПИСАНИЕ И АНАЛИЗ РЕЗУЛЬТАТОВ
  • 5.1. Детали обучения моделей
  • 5.2. Метрики оценки качества моделей
  • 5.3. Результаты для моделей со sketch-based подходом
  • 5.4. Результаты для моделей прямой генерации из вопроса в SQL
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ