本文提出了一种新方法 TypeSQL，通过将问题转换为插槽填充任务，并利用类型信息来更好地理解自然语言问题中的稀有实体和数字，从而实现了通过自然语言与关系型数据库进行交互。在 WikiSQL 数据集上测试该方法，比现有技术提高了 5.5％的性能。同时，利用数据库内容进行访问可以显著提高用户查询的性能，TypeSQL 的准确度为 82.6％，相对于之前的内容敏感模型提高了 17.5％。

Apr, 2018

本文旨在设计更有效的语音接口，以便查询关系型数据库中的结构化数据。首先引入了一种名为 Speech-to-SQL 的任务，该任务旨在理解由人类发音传达的信息，并将其直接转化为结构化查询语言（SQL）语句。本文提出了一种称为 SpeechSQLNet 的新型端到端神经体系结构，该体系结构可以直接将人类的语音转化为 SQL 查询，而无需外部自动语音识别步骤。为验证所提出模型的有效性，另构建了一个名为 SpeechQL 的数据集，并展开了广泛的实验证明，证明 SpeechSQLNet 可以直接从人类语音中综合高质量的 SQL 查询，精确匹配准确性方面超越了各种竞争对手以及级联方法。

Jan, 2022

利用生成模型将自然语言问题转换成 SQL 查询，并通过考虑表格结构和 SQL 语法来提高查询的可执行性和准确性。在 WikiSQL 数据集上进行实验，将执行准确率从 69.0％提高到 74.4％。

Apr, 2018

本文提出了一种新颖的数据合成框架，其中包括来自模式的关键关系、强类型和基于模式距离的列抽样，并采用了 SQL-to-text 任务的中间表示（IR），进一步提高了生成的自然语言问题的质量。实验证明，当现有强大的语义解析器在高质量的合成数据上进行预调整时，这些模型在流行的基准测试中的准确性得到了显着提高。

Dec, 2022

本文介绍了一种新的交互机制，允许用户直接编辑一步一步的 SQL 解释，以纠正 SQL 错误，实验结果显示，我们的方法在执行准确性方面比三种 SOTA 方法至少高出 31.6％，用户研究进一步显示，我们的方法可以帮助用户在更短的时间内解决更多的 SQL 任务并提高信心水平，特别是为非专业人士扩展了数据库的使用。

May, 2023

该论文综述了最新的自然语言转 SQL 查询方法和模型，并描述了使用深度学习技术的各种架构，阐述了数据集和评估指标。

May, 2020

本文提出了一种新的方法，即 SQLNet，通过避免不必要的序列结构来基本解决序列化时的顺序问题，并结合依赖图、序列－集合模型和列注意力机制，可以在 WikiSQL 任务中比之前的方法提高 9% 到 13% 的效果。

Nov, 2017

使用自然语言处理和语义解析的方法，在数据库查询过程中引入智能化，以帮助商业用户能够直接查询数据库。同时增加了自动可视化框架使得产品可供商业使用。

Oct, 2022

该论文探究了自然语言生成 SQL 查询的问题，并使用综合方法设计了三个深度神经网络，应用双向注意机制和卷积神经网络的字符级嵌入来提高结果，最终在 WikiSQL 数据集上达到了最先进的结果。

Dec, 2017

利用大型语言模型（LLMs）将自然语言问题转化为 SQL 查询（文本到 SQL）是一种有前途但具有挑战性的方法，特别是在应用于具有复杂和庞大模式的现实世界数据库时。我们提出了一个新的流程来解决这个问题，该流程有效地检索相关数据和上下文，选择一个高效的模式，并合成正确高效的 SQL 查询。

May, 2024