我对自然语言查询很好奇。斯坦福大学拥有一套用于处理自然语言的强大软件。我还看到了Apache OpenNLP 库和文本工程的通用架构。
自然语言处理有大量的用途，这使得这些项目的文档难以快速吸收。
您能否为我简化一些事情，并在高层次上概述将简单问题基本转换为 SQL 所需的任务？
我的流程图上的第一个矩形有点神秘。
例如，我可能想知道：
How many books were sold last month?
我想把它翻译成
Select count(*)
from sales
where
item_type='book' and
sales_date >= '5/1/2014' and
sales_date <= '5/31/2014'
自然语言查询带来了许多难以概括的复杂性。从高层次上讲，我会从尝试用名词和动词来思考事物开始。
所以对于这句话：上个月卖了多少本书？
您将首先使用解析器分解句子，该解析器将返回类似于以下的树格式：
你可以看到有一个主题书，一个复合动词短语表示过去的卖出动作，然后是一个名词短语，你有一个月的时间焦点。
我们可以进一步分解修饰符的主题：书籍的“多少”和月份的“最后”。
将句子分解后，您需要将这些元素映射到 sql 语言，例如：多少 => 计数、书籍 => 书籍、已售出 => 销售额、月份 => 销售日期（时间间隔）等等。
最后，一旦你掌握了语言的元素，你只需要为不同的实体如何相互交互提出一组规则，这样你就可以：
选择 count(*) from sales where item_type='book' and sales_date >= '5/1/2014' and sales_date <= '5/31/2014'
这是我将如何开始的高层次，虽然我提到的几乎每一步都不是微不足道的，而且兔子洞真的是无穷无尽的，这应该会给你很多点来连接。
将简单的问题变成答案并不简单。
第一个在技术上广泛而准确地做到这一点的技术将是一个大赢家。
然而，也有一些用人工智能“回答问题”来填补空白（例如 IBM Watson 和 Amazon Alexa）。这需要解决与相关数据、数据存储中的内容以及名词、动词和代词相关的语言复杂性。
微软在这里冒险使用English Query，但后来停止了。Kueri.me是一个基于 Python 的平台，做同样的事情。
结构化查询语言 (SQL) 等，SOQL、MDX、Hive、Impala 和较新的采用老式 SQL。还没有取代任何东西，所有这些都是对更宏大的“最终目标”的小修复，它在于人工智能 (AI)，特别是机器学习。
问题是：
“电脑能不能，弄清楚你想要什么。”
还没有。语言学家、数学家、工程师和更多人都需要贡献自己的一份力量，这样我们才能享受到人工智能和机器学习的甜蜜蛋糕。
有几种方法可以创建将纯文本消息解析为 SQL 的解析器。例如，您可以创建基于语法的解析器并使用 NLP 算法来构建结构化查询。如果您已经有大量来自某个域（如电子商务）的已解析消息 - 您可以尝试使用机器学习方法并将其用于进一步解析。
但是，我认为最好的方法是结合基于语法的解析器进行文本到 SQL 的翻译，以及通过修复语法、消除拼写错误等来补充基于规则的语法。
在此处了解有关不同方法的更多信息。