Feb, 2019

具备表格感知的单词语境综合 WikiSQL 探索

PDF
TL;DRSQLova 是第一个在 WikiSQL 数据集中实现人类性能的自然语言到 SQL 模型，利用了 BERT 通过有效的表格语境方法，结合了多种流行的 NL2SQL 方法，在逻辑形式和执行准确度方面分别优于先前的最新技术水平 8.2％和 2.5％。我们特别注意到，在使用这样的大型预训练模型时，BERT 与序列到序列解码器会导致性能不佳，这表明设计的重要性。我们还对数据集和我们的模型进行了全面的分析，这可能有助于设计未来的 NL2SQL 数据集和模型。我们特别展示了我们模型的表现已经接近 WikiSQL 的上限，在其中我们观察到大部分评估错误是由于错误的注释，而我们的模型在执行准确度方面已经超过人类表现 1.3％。
发现论文，激发创造
  • 内容增强的基于 BERT 的文本到 SQL 生成

    本文提出了一种简单的方法，利用表格内容为基于 BERT 的模型解决文本到 SQL 的问题。通过观察表格内容与问题中的一些单词匹配以及表格标题也与问题中的一些单词匹配，我们为深度模型编码了两个额外的特征向量。我们在 WikiSQL 数据集上进行了测试，并在逻辑形式和执行准确性方面比 BERT 基线提高了 3.7％，成为业内领先者。

    Oct, 2019

  • ColloQL：搜索查询的跨领域文本转 SQL 的鲁棒性解决方案

    使用数据增强技术和基于采样的内容感知 BERT 模型 (ColloQL) 实现了鲁棒的自然语言搜索 (NLS) 查询的文本到 SQL 建模，评估表明该方法优于现有技术。

    Oct, 2020

  • 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

  • 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

  • TableQA：一个用于表感知 SQL 生成的大规模中文文本到 SQL 数据集

    本文介绍了 TableQA dataset 及其挑战性和必要性，探讨了解决不同条件值表述和表格外查询的问题的两种基于表格知识的方法，并给出实验结果。

    Jun, 2020

  • X-SQL：使用上下文强化架构表示

    本文提出了 X-SQL，这是一个新的网络架构，旨在解决将自然语言转换为 SQL 查询的问题。X-SQL 提出了结构模式表示与 BERT 风格的预训练模型的上下文输出相结合，并结合类型信息学习下游任务的新模式表示。我们在 WikiSQL 数据集上评估了 X-SQL，并展示了其新的最先进性能。

    Aug, 2019

  • 辅助任务零样本文本到 SQL 学习

    研究了神经序列到序列模型在自然生成的 SQL 任务中的泛化能力问题，并通过构建辅助任务并在 WikiSQL 数据集上的实验中证明其有效性。

    Aug, 2019

  • 基于深度学习的自然语言文本到 SQL 查询转换：一项调查

    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

  • SQL 查询生成的提及抽取与链接

    该论文提出了一种新颖的提取 - 链接方法来生成可执行的 SQL 查询，该方法训练于自动生成的注释，并在 WikiSQL 基准测试中取得了第一名，该方法能够解决针对不同类型的插槽建立多个专用模型所带来的复杂性和容量有限的问题。

    Dec, 2020

  • 零样本 NL2SQL 生成中的预训练语言模型和大型语言模型的交替使用

    本文提出了 ZeroNL2SQL 框架，该框架结合了 PLMs 和 LLMs 的优势，支持零样本学习自然语言到 SQL 转换。该框架首先通过架构对齐使用 PLMs 生成 SQL 草图，然后使用 LLMs 通过复杂推理填充缺失信息。经过全面实验，ZeroNL2SQL 在现实世界基准测试中取得了最佳的零样本 NL2SQL 性能。

    Jun, 2023