Sep, 2018

使用非确定性 oracle 训练增量式文本到 SQL 解析器

PDF
TL;DR该研究介绍了一种面向自然语言到 SQL 任务的序列到操作分析方法，使用从预定义库存中得到的操作填充 SQL 查询的槽。该方法考虑到通常有多个具有相同或非常相似语义的正确 SQL 查询，从句法分析技术中汲取灵感，并提出用非确定性的神谕来训练序列到操作模型，该模型可处理上述不确定性，取得了更好的执行精度。与执行引导的解码策略相结合的模型，在执行精度方面达到了 87.1% 的新的最高性能。评估结果来自 WikiSQL 数据集。
sequence-to-action parsingnatural language to sqlsyntactic parsing techniqueswikisql datasetexecution-guided decoding strategy
发现论文，激发创造
  • 带执行引导的 Text-to-SQL 生成的鲁棒性

    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

  • 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

  • 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

  • 通过问题分解进行弱监督的文本到 SQL 解析

    本研究提出了一种弱监督方法来训练文本到 SQL 解析器，利用 QDMR 结构自动合成 SQL 查询来代替 NL-SQL 注释，结果表明弱监督模型表现与有注释的 NL-SQL 数据训练模型相当，免除 SQL 注释。

    Dec, 2021

  • 多轮文本到 SQL 语义解析的交互状态跟踪

    本文提出一种基于关系图神经网络的文本转 SQL 语义解析模型，通过定义基于数据库模式项和关键词的交互状态并设计相应的更新机制，以实现更好的解析效果，在 CoSQL 数据集上表现优异。

    Dec, 2020

  • SQLNet：无强化学习的自然语言结构化查询生成

    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

  • 通过可编辑的逐步说明进行交互式文本到 SQL 生成

    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

  • 通过动态架构编码用自然语言纠正语义解析

    提出了一种利用自然语言反馈进行语义解析更正的方法，通过将任务的语义和语法困难分离，只需一轮自然语言反馈即可将文本到 SQL 解析器的准确性提高 26％；同时表明 T5-base 模型能在无需训练的情况下，纠正 T5-large 模型的错误。

    May, 2023

  • 从 SQL 查询中生成问题改善了神经语义解析

    本文通过在最大手工标注语义解析数据集 WikiSQL 上展示问题生成是一种有效的半监督学习方法，使我们能够用百分之三十的监督训练数据来学习最先进的神经网络语义解析器，并发现语义解析器的准确性和训练数据量之间存在对数关系。

    Aug, 2018

  • 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