|
|
--- |
|
|
license: cc-by-4.0 |
|
|
task_categories: |
|
|
- text-generation |
|
|
- question-answering |
|
|
- table-question-answering |
|
|
language: |
|
|
- pt |
|
|
tags: |
|
|
- sql |
|
|
- code |
|
|
- nlp |
|
|
- text2sql |
|
|
- text-to-sql |
|
|
--- |
|
|
# Overview |
|
|
|
|
|
Este dataset é uma versão traduzida para o português do dataset `b-mc2/sql-create-context`, |
|
|
que foi construído a partir dos datasets WikiSQL e Spider. Ele contém exemplos de perguntas |
|
|
em português, instruções SQL CREATE TABLE e consultas SQL que respondem às perguntas |
|
|
utilizando a instrução CREATE TABLE como contexto. |
|
|
|
|
|
O principal objetivo deste dataset é ajudar modelos de linguagem natural em português a gerar consultas |
|
|
SQL precisas e contextualizadas, prevenindo a alucinação de nomes de colunas e tabelas, um |
|
|
problema comum em datasets de texto para SQL. Ao fornecer apenas a instrução CREATE TABLE |
|
|
como contexto, o dataset visa proporcionar uma melhor fundamentação para os modelos sem a |
|
|
necessidade de fornecer linhas reais de dados, o que limita o uso de tokens e a exposição |
|
|
a dados privados, sensíveis ou proprietários. |
|
|
|
|
|
Detalhes do Dataset |
|
|
|
|
|
- **Total de Exemplos:** 78.577 |
|
|
- **Colunas:** |
|
|
- `pergunta`: A pergunta em linguagem natural. |
|
|
- `contexto`: A instrução SQL CREATE TABLE que fornece o contexto necessário para responder à pergunta. |
|
|
- `resposta`: A consulta SQL que responde à pergunta utilizando o contexto fornecido. |
|
|
|
|
|
|
|
|
# Processo de Tradução |
|
|
|
|
|
As perguntas foram traduzidas para o português utilizando o modelo `facebook/nllb-200-distilled-1.3B`, |
|
|
garantindo que as consultas em linguagem natural mantenham o mesmo significado e contexto das perguntas originais em inglês. |
|
|
|
|
|
|
|
|
# Objetivo e Aplicações |
|
|
|
|
|
Este dataset é ideal para o treinamento de modelos de linguagem natural para a geração de consultas SQL, |
|
|
especialmente em cenários onde a precisão na nomeação de colunas e tabelas é crucial. Ele pode ser usado |
|
|
para melhorar a performance de modelos em tarefas de texto-para-SQL, fornecendo um contexto claro e |
|
|
evitando erros comuns de alucinação. |
|
|
|
|
|
# Projetos originais |
|
|
``` |
|
|
@misc{b-mc2_2023_sql-create-context, |
|
|
title = {sql-create-context Dataset}, |
|
|
author = {b-mc2}, |
|
|
year = {2023}, |
|
|
url = {https://huggingface.co/datasets/b-mc2/sql-create-context}, |
|
|
note = {This dataset was created by modifying data from the following sources: \cite{zhongSeq2SQL2017, yu2018spider}.}, |
|
|
} |
|
|
``` |
|
|
|
|
|
|
|
|
``` |
|
|
@article{zhongSeq2SQL2017, |
|
|
author = {Victor Zhong and Caiming Xiong and Richard Socher}, |
|
|
title = {Seq2SQL: Generating Structured Queries from Natural Language using Reinforcement Learning}, |
|
|
journal = {CoRR}, |
|
|
volume = {abs/1709.00103}, |
|
|
year = {2017} |
|
|
} |
|
|
``` |
|
|
|
|
|
``` |
|
|
@article{yu2018spider, |
|
|
title = {Spider: A large-scale human-labeled dataset for complex and cross-domain semantic parsing and text-to-sql task}, |
|
|
author = {Yu, Tao and Zhang, Rui and Yang, Kai and Yasunaga, Michihiro and Wang, Dongxu and Li, Zifan and Ma, James and Li, Irene and Yao, Qingning and Roman, Shanelle and others}, |
|
|
journal = {arXiv preprint arXiv:1809.08887}, |
|
|
year = {2018} |
|
|
} |
|
|
``` |
