如何解决如何设计训练数据集，让 NN 翻译模型捕获模式并增加可扩展性？
标题有点模糊，所以让我放在上下文中。目前我的任务是将英文句子翻译成 sql 子句。我使用了带有编码器-解码器网络的经典 seq2seq 模型，非常类似于语言翻译模型（具体来说，框架是 Keras，Python 3 环境）。
为了说明，这里是数据库中的表的演示（这几乎是真实表的样子，只有3列，是一个简单的知识图）：
| 来源 | 边缘 | 目标 |
|---|---|---|
| 约翰 | 访问 | StackOverflow |
| ...... | ...... | ...... |
理想的模型应该能够理解输入并尽可能灵活地做出预测。例如，模型不仅要理解：
句子：列出所有访问过 Stack Overflow 的人
sql：select source from table where edge='visit' and target='Stack Overflow'
还有：
句子：列出所有访问过 Stack Overflow 的人或询问 Ubuntu
sql：select source from table where edge='visit' and target in ('Stack Overflow','Ask Ubuntu)
我第一关注的是：可以添加无数 or 个条件，这意味着理想情况下模型应该能够对预测中的这种变化做出反应;
其次：target/source/edge 的值可能无法枚举（例如，想象一下 target 有 1000 多个可能的值） ，这意味着测试数据中总会有新词显示，而训练数据集中没有。
我想这两个问题都指向了明智地设计训练数据集的问题，以及如何让模型对这些变化做出反应。有什么想法吗？
谢谢！
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。