ICLRNov, 2017

SQLNet：无强化学习的自然语言结构化查询生成

PDF
TL;DR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。
synthesizing sql queriesnatural languagesequence-to-sequence-style modelorder-matters problemsqlnet
发现论文，激发创造
  • 使用强化学习从自然语言生成结构化查询的 Seq2SQL 模型

    提出一种基于深度神经网络 Seq2SQL 的 SQL 查询翻译模型，利用强化学习策略优化模型，并结合 WikiSQL 数据集进行模型训练，性能比注意力机制模型更好，精度从 35.9% 提高至 59.4%。

    Aug, 2017

  • SQL 生成中的双向注意力

    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

  • 面向自然语言问题的语音驱动 SQL 查询生成：Speech-to-SQL

    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

  • SeqGenSQL -- 用于结构化查询语言的稳健序列生成模型

    利用 T5 模型进行文本转 SQL，结合问题增值和自动生成的银标识训练数据，实现了较高的 SQL 执行精度，并接近基于逻辑形式的最新的具有 SOTA 性能系统。

    Nov, 2020

  • 使用 Graph-to-Sequence 模型进行 SQL 到文本生成

    本文提出了一种将 SQL 查询表示为有向图的策略，并采用图到序列模型将全局结构信息编码成节点嵌入的方法，从而有效地学习 SQL 查询模式和其解释之间的相关性，实验结果表明，我们的模型在 WikiSQL 数据集和 Stackoverflow 数据集上表现显著优于 Seq2Seq 和 Tree2Seq 基线模型，达到了最先进的性能水平。

    Sep, 2018

  • 语义解析：基于语法和表格的 SQL 生成

    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

  • 一个编码器 - 解码器框架，将自然语言翻译为数据库查询

    本研究考虑将自然语言转换成 SQL，用于关系数据库的数据检索。我们提出了一种新的编码 - 解码框架，包括新的语义特征和语法感知状态等新方法。实证评估结果表明，我们的方法在真实世界的数据库和查询上明显优于现有技术。

    Nov, 2017

  • SQL 查询生成的最新进展：综述

    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

  • 基于语法的神经网络文本到 SQL 生成

    本文提出了一种处理 neural text-to-SQL models 中编写语法的复杂性的技术，从而生成 schema-dependent grammar，对 ATIS 和 Spider 两个挑战性的 text-to-SQL 数据集进行分析，显示可以减少 14-18% 的相对误差。

    May, 2019

  • 自然语言到 SQL 查询的类型和内容驱动合成

    本文提出了一种新技术，可以从自然语言中自动合成 SQL 查询，并采用自然语言处理，程序合成和自动程序修复相结合的方法来增强其鲁棒性。

    Feb, 2017