SQL 生成中的双向注意力
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
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
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
通过使用自我关联,让编码器理解表格和列之间的关系,以及将该信息使用在问题的解释过程中,使得神经编码器 - 解码器系统能够在 SQL 查询的实现上具有较好的泛化性,从而在 Spider 数据集上获得 42.94% 的精确匹配准确率。
Jun, 2019
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
该研究探讨了神经话语解析的问题,引入新的执行指南机制来利用 SQL 的语义,证明其普遍提高了基于自回归生成模型的语义解析模型的性能。
Jul, 2018
通过模仿 SQL 类似的代数操作的执行流程,本研究展示了提供中间监督步骤的学习方法,从而实现了更强的泛化和结构化推理能力,该研究填补了语义解析与直接回答方法之间的差距,并为生成式架构应该预测哪些类型的操作或应由外部算法优先执行提供了有用的见解。
Feb, 2024
本文研究了使用自然语言作为桥梁,通过有效访问数据库创建一个高效的文本到 SQL 模型,重点探讨了 24 个不同神经网络模型以及 11 个常用数据集的特点和局限性,最终讨论了 Text2SQL 技术在实现无缝数据查询方面的可能性。
Aug, 2022