针对文本到 SQL 解析的数据库结构全局推理

EMNLPAug, 2019

针对文本到 SQL 解析的数据库结构全局推理

Global Reasoning over Database Structures for Text-to-SQL Parsing

Ben Bogin, Matt Gardner, Jonathan Berant

TL;DR本研究针对语义解析器在零样本学习中难以正确选择新数据库常数集的问题，提出一种全局推理数据库常数集的解析器，采用图神经网络的消息传递机制，考虑问题的情境信息，软选择一部分数据库常数集，并通过训练模型根据数据库常数与问题单词的全局匹配度对解析结果排序。在面向包含复杂数据库的零样本语义解析数据集 Spider 中，我们将该方法应用于当前最先进模型，将准确率从 39.4％提高到 47.4％。

Abstract

State-of-the-art semantic parsers rely on auto-regressive decoding, emitting one symbol at a time. When tested against complex databases that are unobserved at training time (zero-shot), the parser often struggles to select the correct set of database constants in the new database, due

semantic parser zero-shot learning graph neural network database constants spider

发现论文，激发创造

在语义解析器的输出中寻找更好的数据库查询

研究数据库查询的自然语言生成问题，提出一种基于搜索算法的神经自回归模型改进方法，应用于最先进的语义解析器，以便能够发现可在不同数据集上通过所有测试的查询。

Oct, 2022

使用图神经网络表示模式结构，用于文本到 SQL 解析

该研究关注语言解析到 SQL 的过程，并提出了一种使用图神经网络对数据库模式进行编码的方法，在 Spider 数据集上得到了较高的解析准确率。

May, 2019

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

ShadowGNN: 面向文本到 SQL 解析器的图投影神经网络

该研究提出了一种新的基于 ShadowGNN 的文本到 SQL 转化模型，通过抽象和语义级别处理数据库模式以提高模型对不常见和没有看到过的模式的泛化能力，并在 Text-to-SQL 基准测试中表现优异。

Apr, 2021

通过增加自然语言变化提升语义解析的泛化能力

使用数据增强来增强文本到 SQL 解析器对自然语言变化的鲁棒性，通过大型语言模型生成更真实和多样化的问题，从而在评估集合中实现显著的改进。

Feb, 2024

文本到 SQL 语义解析的错误检测

本文提出了一种基于预训练代码语言模型和图神经网络结构特征学习的独立于解析器的文本到 SQL 语义解析错误检测模型，实验表明此方法超越了解析器依赖的不确定性度量方法，能够有效提高文本到 SQL 语义解析器的性能和可用性。

May, 2023

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

从用户反馈中学习神经语义解析器

本研究提出了一种使用神经序列模型直接将话语映射到 SQL 的自然语言接口构建方法，并基于用户反馈实现高质量的语义解析，实验表明这种方法快速适用于任何新领域。

Apr, 2017

文本转 SQL 解析器的无上下文语法预训练

提出了一种名为语法预训练的 Text-to-SQL 解析新方法，通过增加问题词后的随机值以及优化解码器部分的向量初始化，采用泛化效果更佳的非零训练损失等技术提高了模型性能，成功地应用于了跨数据库的 Text-to-SQL 数据集（spider），在开发集上获得了 72.8% 的准确性，在测试集上获得了 69.8% 的准确性。

Jan, 2021