ШАБЛОННИЙ МЕТОД ДЛЯ СТВОРЕННЯ КОНСТРУКТОРА РЕЛЯЦІЙНИХ БАЗ ДАНИХ

Автор(и)

  • К.М. Ялова Дніпровський державний технічний університет, м. Кам’янське, Україна https://orcid.org/0000-0002-2687-5863
  • М.В. Бабенко Дніпровський державний технічний університет, м. Кам’янське, Україна https://orcid.org/0000-0003-1013-9383
  • А.В. Журавель Дніпровський державний технічний університет, м. Кам’янське, Україна

DOI:

https://doi.org/10.31319/2519-2884.45.2024.18

Ключові слова:

природномовний інтерфейс для взаємодії з базою даних, реляційна база даних, конструктор запитів, шаблонний метод, обробка природньої мови

Анотація

У роботі представлено результати проєктування природномовного інтерфейсу для взаємодії з базою даних, розробленого як конструктор-генератор реляційних баз даних. За рахунок застосування шаблонного методу керований діалог із користувачем організовується у вигляді системи «питання-відповідь», де інформація від користувача вводиться природньою мовою. Вхідною інформацією для проектування архітектури реляційної бази даних є інформація щодо предметної області, для якої вона проєктується. Мета застосування конструктора —трансформувати текстовий опис предметної області до SQL-запитів, які, зрештою, застосовуються для програмного створення реляційної бази даних. У роботі наводяться математичні моделі предметної області та реляційної бази даних, а також визначено алгоритм конвертування знань про предметну область до структурних елементів бази даних. Результатом роботи конструктора є вихідні абстракції предметної області. На вимогу користувача вони можуть бути представлені у вигляді бізнес-правил предметної області, схеми реляційної бази даних, SQL-запитів на основі ключових слів Create і Insert або файлу бази даних MSSQLServer.

Посилання

Codd E. F. A relational model of data for large shared data banks. Communications of the ACM. 2021. Vol. 13(6). P. 377–387.

Giordani A., Moschitti A. Translating questions to SQL queries with generative parsers discriminatively reranked. Data & Knowledge Engineering. 2015. Vol. 95. P. 189–197.

Yaghmazadeh N., Wang Y., Dillig I., Dillig T. SQLizer: Query synthesis from natural language. ACM on Programming Languages. 2015. Vol. 1. P. 63–69.

Li F., Jagadish H. V. Constructing an interactive natural language interface for relational databases. VLDB Endowment. 2018. Vol. 8(1). P.73–84.

Saha A., Florencio D., Cid-Fuentes J. Pigeon: An intuitive SQL optimizer. International Conference on Management of Data , 2016. P. 587–602.

Zhong V., Xiong C., Socher R. Seq2SQL: Generating structured queries from natural language using reinforcement learning. arXiv preprint. 2017. Vol. 1709.00103. P.1–13.

Пашкова Н. В. Застосування методів машинного навчання для покращення роботи систем природньо-мовного інтерфейсу до баз даних. Вісник Національного університету «Львівська політехніка». 2018. №895. С. 112–117.

Шевченко Д. О., Ковальчук В. П. Система пошуку інформації в базах даних на основі запитів природної мови. Сучасні інформаційні системи. 2019. № 3(2). С. 12–18.

Yalova K., Yashyna K., Sqlem A.-B. Natural Language Interface to Database Approach in the Task of Relational Databases Design. CEUR. 2023. Vol. 3373, P. 320–331.

Iacob R. C, Brad F., Apostol E.S., Truica C.O., Hosu I.A. Neural approaches for natural language interfaces to databases: a survey, The 28th International Conference on Computational Linguistics, Barcelona, Spain, 2020, pp. 381–395.

Zheng W., Cheng H., Zou L., Yu J., Zhao K. Natural language question/answering: let users talk with the knowledge graph. The Conference on Information and Knowledge Management, Singapore, Singapore, 2017, pp. 217–226.

Xu X., Liu C., Song D. Sqlnet: Generating structured queries from natural language without reinforcement learning. Commutating and language. 2017. Vol. 11 (2017). P. 1–13.

Saha D., Floratou A., Sankaranarayanan K., Minhas F., Mittal A. R., Ozcan F. ATHENA: an ontology-driven system for natural language querying over relational data stores. VLDB Endowment. 2016. Vol.9(12). P. 1209–1220.

Kopp A.M., Orlovskyi D. L., Orekhov S. V. An approach and software prototype for translation of natural language business rules into database structure. The 5th International Conference on Computational Linguistics and Intelligent Systems, CEUR WS, Lviv, Ukraine, 2021, pp. 122–129.

Amato N. Mastering database normalization: A comprehensive exploration of normal forms. URL:https://www.researchgate.net/publication/374509386_Mastering_database_normalization_A_comprehensive_exploration_of_normal_forms (дата звернення: 16.08.2024).

Codd, E. F. (2021). A relational model of data for large shared data banks. Communications of the ACM, 13(6), P. 377–387.

Giordani, A., & Moschitti, A. (2015). Translating questions to SQL queries with generative parsers discriminatively reranked. Data & Knowledge Engineering, 95, P. 189–197.

Yaghmazadeh, N., Wang, Y., Dillig, I., & Dillig, T. (2017). SQLizer: Query synthesis from natural language. Proceedings of the ACM on Programming Languages, 1(OOPSLA), 63.

Li, F., & Jagadish, H. V. (2014). Constructing an interactive natural language interface for relational databases. Proceedings of the VLDB Endowment, 8(1), P. 73–84.

Saha, A., Florencio, D., & Cid-Fuentes, J. (2016). Pigeon: An intuitive SQL optimizer. Proceedings of the 2016 International Conference on Management of Data (SIGMOD '16), P. 587–602.

Zhong, V., Xiong, C., & Socher, R. (2017). Seq2SQL: Generating structured queries from natural language using reinforcement learning. arXiv preprint arXiv:1709.00103.

Pashkova, N. V. (2018). Application of machine learning methods to improve the performance of natural language interface to databases. Bulletin of the National University Lviv Polytechnic., 895, P. 112–117.

Shevchenko, D.O., Kovalchuk, V.P. (2019). Information retrieval dystem in databases based on natural language queries. Modern information systems, 3(2), P. 12–18.

Yalova, K., Yashyna, K., Sqlem, A.-B. (2023) Natural Language Interface to Database Approach in the Task of Relational Databases Design, CEUR, 3373, P. 320–331.

Iacob, R. C., Brad, F., Apostol, E.S., Truica, C.O., Hosu, I.A. (2020) Neural approaches for natural language interfaces to databases: a survey, in: Proceedings of the 28th International Conference on Computational Linguistics, ICCL ’20, International Committee on Computational Linguistics, Barcelona, Spain, 2020, pp. 381–395.

Zheng, W., Cheng, H., Zou, L., Yu, L., Zhao, K. (2017) Natural language question/answering: let users talk with the knowledge graph, in: Proceedings of the Conference on Information and Knowledge Management, CIKM ’17, Association for Computing Machinery, Singapore, Singapore, 2017, pp. 217–226.

Xu, X., Liu, C., Song D. (2017) Sqlnet: Generating structured queries from natural language without reinforcement learning, Commutating and language, 11, P. 1–13.

Saha, D., Floratou, A., Sankaranarayanan, K., Minhas, F., Mittal, A., Ozcan, R. F. (2016) ATHENA: an ontology-driven system for natural language querying over relational data stores, VLDB Endowment, 9 (12), P. 1209–1220.

Kopp, A.M., Orlovskyi, D.L., Orekhov, S.V. (2021) An approach and software prototype for translation of natural language business rules into database structure, in: Proceedings of the 5th Internation Conference on Computational Linguistics and Intelligent Systems, COLINS ’21, CEUR WS, Lviv, Ukraine, 2021.

Amato, N. (2023) Mastering database normalization: A comprehensive exploration of normal forms URL: https://www.researchgate.net/publication/374509386_Mastering_database_normalization_A_comprehensive_exploration_of_normal_forms

##submission.downloads##

Опубліковано

2024-12-24

Номер

Том 2 № 45 (2024): collection

Розділ

Комп'ютерні науки