Towards deeply intelligent interfaces in relational databases

İlişkisel veri tabanları, yapısal bir şekilde veri depolamayı sağlayan, en popüler ve yaygın olarak kullanılan alt yapılardan biridir. Veriye erişmek için, kullanıcılar ulaşmak istedikleri bilgileri Yapılandırılmış Sorgu Dili (SQL) kullanarak uygun sorgularla ifade etmek zorundadır. SQL oldukça anlatımcı ve esnek bir dildir; ancak kullanıcının, sorgunun yazıldığı veri tabanının temelinde yatan şemayı bilmesi ve SQL sözdizimine aşina olması gerekir, ki sıradan kullanıcılar için bu durum kolay değildir. Bu amaçla, derin öğrenme tekniklerinden yararlanarak ilişkisel veri tabanlarında kullanılmak üzere daha akıllı kullanıcı arayüzleri yapmak için iki farklı strateji önerilmektedir. İlk çalışmamızda, doğal dil sorgularını SQL'e tercüme etmeyi amaçlayan İlişkisel Veri Tabanına Yönelik Doğal Dil Arayüzleri'nde kullanılan anahtar sözcük eşleme problemi için çözüm sunulmaktadır. Anahtar sözcük eşleme, dizi etiketleme problemi olarak ele alınmaktadır. Doğal dil sorgularının sözcük türlerini de kullanan bu özgün yaklaşım, gözetimli derin öğrenme kullanmaktadır. DBTagger (Database Tagger) adı verilen bu yaklaşım, uçtan uca ve şemadan bağımsız bir çözümdür. Web arama motorlarında yaygın olarak kullanılan ve oldukça bilinen bir strateji olan sorgu tavsiyesi paradigması, uzman kullanıcıların sorgularını sıradan kullanıcılara tavsiye ederek bilgiye erişim sürecinde yardım eder. İkinci çalışmamızda, derin öğrenmeden yararlanarak ilişkisel veri tabanlarında kullanılmak üzere bağlamsal sorgu tavsiye algoritması, Conquer, sunulmaktadır. İlk olarak, veri tabanı satırlarının gizli uzaydaki temsillerini oluşturmak amacıyla Çizge Sinir Ağları kullanılmaktadır. SQL sorguları, sorgunun sonucunda dönen satırların temsillerinin ortalaması alınarak semantik vektör ile temsil edilmektedir. Tanık-Temelli bir yaklaşım olarak, tavsiyeler üretmek için sorguların nihai temsillerinin üzerine kosinüs benzerliği kullanılmaktadır.