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