| | --- |
| | 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} |
| | } |
| | ``` |
