دانلود ترجمه مقاله مروری بر NLIDB با یادگیری عمیق

1. مقدمه 2. کارهای مرتبط 3. مفاهیم اساسی برای NLIDB با یادگیری عمیق 4. روش تحقیق 5. RQ1: مجموعه داده های موجود برای وظایف تبدیل متن به SQL با یادگیری نظارت شده چیست و چگونه برای بهبود عملکرد، ضروری می باشند؟ 6. RQ2: رویکردهایی که تاکنون از یادگیری عمیق برای NLIDB اقتباس شده اند، کدام ها هستند؟ و تمرکز پژوهشی آنها چیست؟ 7. RQ3: چالش های متمرکز پژوهشی در زمینه NLIDB با یادگیری ماشین چیست و روش ها و تکنیک های NLP که برای کاهش آنها استفاده شده اند، کدام ها هستند؟ 8. نتیجه گیری

چکیده – پایگاه های داده رابطه ای، ذخیره سازی حجم عظیمی از داده ها می باشد. دانش زبان پرسمان ساختار یافته، یک نیاز اولیه برای دسترسی به آن داده محسوب می شود. این امر برای همه افراد غیر فنی امکان ‌پذیر نیست و به سیستمی نیاز دارد که متن را به جای اینکه توسط کاربر ترجمه کند، به خودی خود به کوئری SQL برگردارند. وظیفه متن به SQL نیز به دلیل ارزش اقتصادی و صنعتی آن بسیار مهم است. رابط زبان طبیعی به پایگاه داده (NLIDB)، سیستمی است که از وظیفه تبدیل متن به SQL پشتیبانی می کند. توسعه سیستم NLIDB یک مشکل دیرینه است. پیشتر آنها از طریق روش های مسیرسازی اطلاعات و بر اساس پایگاه های شناخت خاص دامنه ساخته می شدند. اخیراً تنوع فزاینده ایده ها و تکنیک های یادگیری عمیق، مجدد این حوزه را مورد توجه قرار داده است. اکنون برای این کار، مدل ‌های یادگیری عمیق سر به سر پیشنهاد می‌ شوند. برخی از مجموعه داده‌ ها به منظور بررسی دستاورد‌ها در دسترس عموم قرار دارند و فرآیند مقایسه را راحت می ‌کنند. در این مقاله، کار فعلی را مرور می ‌کنیم، روندهای تحقیقاتی را خلاصه می‌ کنیم و مسائل چالش برانگیز NLIDB را با مدل‌ های یادگیری عمیق مشخص می ‌کنیم. ما اهمیت مجموعه داده ‌ها، رویکردهای مدل پیش‌بینی و چالش ‌های باز را مورد بحث قرار دادیم. علاوه بر این، روش ‌ها و تکنیک ‌ها به همراه تأثیر آن‌ ها بر ساختار کلی و عملکرد سیستم ‌های NLIDB نیز خلاصه شده اند. این مقاله می ‌تواند به محققان آینده کمک کند تا با در اختیار داشتن رویکردهای یادگیری عمیق، دانش قبلی درباره یافته‌ ها و چالش ‌های NLIDB، شروع به کار کنند.

Relational databases are storage for a massive amount of data. Knowledge of structured query language is a prior requirement to access that data. That is not possible for all non-technical personals, leading to the need for a system that translates text to SQL query itself rather than the user. Text to SQL task is also crucial because of its economic and industrial value. Natural Language Interface to Database (NLIDB) is the system that supports the text-to-SQL task. Developing the NLIDB system is a long-standing problem. Previously they were built based on domain-specific ontologies via pipelining methods. Recently a rising variety of Deep learning ideas and techniques brought this area to the attention again. Now end to end Deep learning models is being proposed for the task. Some publicly available datasets are being used for experimentation of the contributions, making the comparison process convenient. In this paper, we review the current work, summarize the research trends, and highlight challenging issues of NLIDB with Deep learning models. We discussed the importance of datasets, prediction model approaches and open challenges. In addition, methods and techniques are also summarized, along with their influence on the overall structure and performance of NLIDB systems. This paper can help future researchers start having prior knowledge of findings and challenges in NLIDB with Deep learning approaches.