Datasets:
File size: 3,042 Bytes
87397d7 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 |
---
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}
}
``` |