本申請涉及人工智能領(lǐng)域，尤其涉及一種語句糾錯模型的訓(xùn)練方法、語句糾錯方法及裝置。
背景技術(shù)：
1、結(jié)構(gòu)化查詢語言數(shù)據(jù)庫(structured?query?language，sql)是一種專門用于管理和處理數(shù)據(jù)庫的語言。在使用sql語句進(jìn)行數(shù)據(jù)庫操作時，經(jīng)常會遇到各種錯誤，這就需要對錯誤的sql進(jìn)行糾錯。
2、在一些實例中，可利用sql編譯器中的語法分析器或者訓(xùn)練好的模型對sql語句進(jìn)行糾錯，sql編譯器中的語法分析器可對用戶編寫的sql語句進(jìn)行提示，但該方式不能處理語義錯誤和拼寫錯誤等問題，因此對于一些比較復(fù)雜的sql語句，其糾錯能力比較有限。還可以利用開發(fā)人員的經(jīng)驗，進(jìn)行排查及手動調(diào)試，但效率非常低。
技術(shù)實現(xiàn)思路
1、本申請實施例提供一種語句糾錯模型的訓(xùn)練方法、語句糾錯方法及裝置，以解決相關(guān)技術(shù)中利用sql編譯器中的語法分析器或者訓(xùn)練好的模型對sql語句進(jìn)行糾錯，不能處理語義錯誤和拼寫錯誤，而利用人工進(jìn)行糾錯效率較低的問題。
2、第一方面，提供了一種語句糾錯模型的訓(xùn)練方法，包括：
3、基于歷史sql語句的sql日志數(shù)據(jù)，采集樣本數(shù)據(jù)，所述樣本數(shù)據(jù)包括正樣本集合和正負(fù)樣本集合；
4、利用所述正負(fù)樣本集合中的數(shù)據(jù)，對bert預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練，得到bert分類模型，所述bert分類模型用于對待糾錯的sql語句進(jìn)行分類檢測，以確定所述sql語句的正確性；
5、在所述正樣本集合中的數(shù)據(jù)中添加基于預(yù)設(shè)噪聲函數(shù)確定的噪聲，得到重構(gòu)文本數(shù)據(jù)；
6、利用bart算法框架對所述重構(gòu)文本數(shù)據(jù)進(jìn)行訓(xùn)練，得到bart預(yù)訓(xùn)練語言模型；
7、利用所述正負(fù)樣本集合中的數(shù)據(jù)，對所述bart預(yù)訓(xùn)練語言模型進(jìn)行訓(xùn)練，得到bart糾錯模型，所述bart糾錯模型用于對所述bert分類模型確定出的錯誤的sql語句進(jìn)行改寫糾錯。
8、第二方面，提供了一種語句糾錯方法，包括：
9、接收用戶輸入的sql語句；
10、將所述sql語句輸入至如第一方面所述的bert分類模型中進(jìn)行分類處理，輸出所述sql語句的類型，所述類型包括正確、錯誤；
11、在所述sql語句的類型為錯誤的情況下，將所述sql語句輸入至如第一方面所述的bart糾錯模型中進(jìn)行改寫糾錯，輸出糾錯后的sql語句，并執(zhí)行所述糾錯后的sql語句。
12、第三方面，提供了一種語句糾錯模型的訓(xùn)練裝置，包括：
13、采集模塊，用于基于歷史sql語句的sql日志數(shù)據(jù)，采集樣本數(shù)據(jù)，所述樣本數(shù)據(jù)包括正樣本集合和正負(fù)樣本集合；
14、第一訓(xùn)練模塊，用于利用所述正負(fù)樣本集合中的數(shù)據(jù)，對bert預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練，得到bert分類模型，所述bert分類模型用于對待糾錯的sql語句進(jìn)行分類檢測，以確定所述sql語句的正確性；
15、添加模塊，用于在所述正樣本集合中的數(shù)據(jù)中添加基于預(yù)設(shè)噪聲函數(shù)確定的噪聲，得到重構(gòu)文本數(shù)據(jù)；
16、第二訓(xùn)練模塊，用于利用bart算法框架對所述重構(gòu)文本數(shù)據(jù)進(jìn)行訓(xùn)練，得到bart預(yù)訓(xùn)練語言模型；
17、第三訓(xùn)練模塊，用于利用所述正負(fù)樣本集合中的數(shù)據(jù)，對所述bart預(yù)訓(xùn)練語言模型進(jìn)行訓(xùn)練，得到bart糾錯模型，所述bart糾錯模型用于對所述bert分類模型確定出的錯誤的sql語句進(jìn)行改寫糾錯。
18、第四方面，提供了一種語句糾錯裝置，包括：
19、接收模塊，用于接收用戶輸入的sql語句；
20、分類模塊，用于將所述sql語句輸入至如第一方面所述的bert分類模型中進(jìn)行分類處理，輸出所述sql語句的類型，所述類型包括正確、錯誤；
21、糾錯模塊，用于在所述sql語句的類型為錯誤的情況下，將所述sql語句輸入至如第一方面所述的bart糾錯模型中進(jìn)行改寫糾錯，輸出糾錯后的sql語句，并執(zhí)行所述糾錯后的sql語句。
22、第五方面，提供了一種終端設(shè)備，包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機(jī)程序，所述計算機(jī)程序被所述處理器執(zhí)行時實現(xiàn)如第一方面所述的方法的步驟，或者實現(xiàn)如第二方面所述的方法的步驟。
23、第六方面，提供了一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)上存儲計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如第一方面所述的方法的步驟，或者實現(xiàn)如第二方面所述的方法的步驟。
24、在本申請實施例中，首先基于歷史sql語句的sql日志數(shù)據(jù)，采集樣本數(shù)據(jù)，樣本數(shù)據(jù)包括正樣本集合和正負(fù)樣本集合；然后利用正負(fù)樣本集合中的數(shù)據(jù)，對bert預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練，得到bert分類模型，bert分類模型用于對待糾錯的sql語句進(jìn)行分類檢測，以確定sql語句的正確性；再在正樣本集合中的數(shù)據(jù)中添加基于預(yù)設(shè)噪聲函數(shù)確定的噪聲，得到重構(gòu)文本數(shù)據(jù)；利用bart算法框架對重構(gòu)文本數(shù)據(jù)進(jìn)行訓(xùn)練，得到bart預(yù)訓(xùn)練語言模型；最后利用正負(fù)樣本集合中的數(shù)據(jù)，對bart預(yù)訓(xùn)練語言模型進(jìn)行訓(xùn)練，得到bart糾錯模型，bart糾錯模型用于對bert分類模型確定出的錯誤的sql語句進(jìn)行改寫糾錯。本申請實施例分別利用bert算法模型和bart算法模型訓(xùn)練得到bert分類模型和bart糾錯模型，并且利用噪聲函數(shù)進(jìn)行文本重構(gòu)，增加訓(xùn)練數(shù)據(jù)，使得模型訓(xùn)練更加準(zhǔn)確，再把bert分類模型和bart糾錯模型結(jié)合一起進(jìn)行sql語句糾錯，提高了語句糾錯的準(zhǔn)確率。
1.一種語句糾錯模型的訓(xùn)練方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于歷史sql語句的sql日志數(shù)據(jù)，采集樣本數(shù)據(jù)，包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述在所述正樣本集合中的數(shù)據(jù)中添加基于預(yù)設(shè)噪聲函數(shù)確定的噪聲，得到重構(gòu)文本數(shù)據(jù)，包括：
4.一種語句糾錯方法，其特征在于，包括：
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述方法還包括：
6.根據(jù)權(quán)利要求4或5所述的方法，其特征在于，在執(zhí)行sql語句之后，所述方法還包括：
7.一種語句糾錯模型的訓(xùn)練裝置，其特征在于，包括：
8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述添加模塊，用于：
9.一種語句糾錯裝置，其特征在于，包括：
10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述裝置還包括：