EMNLPSep, 2019

一种用于后续查询分析的分割和重组方法

PDF
TL;DR提出了一种名为 STAR 的新方法，旨在利用上下文无关语义解析的优势，执行后续查询分析，该方法可处理不同领域中的多种后续情景，实验表明，STAR 在解析结果上的优越性验证了后续查询分析的可行性。
context-dependent semantic parsingfollow-up query analysisnatural language queriesstarparsing results
发现论文，激发创造
  • STAR: 上下文引导的文本到 SQL 解析的 SQL 引导预训练

    本文提出了一种新的基于 SQL 引导的预训练框架 STAR，用于上下文相关的文本到 SQL 解析，通过利用上下文信息，丰富自然语言（NL）话语和表模式表示，以解决文本到 SQL 解析中的问题，并取得了两个下游基准测试（SParC 和 CoSQL）的新最高性能，该研究可推动该领域的研究。

    Oct, 2022

  • 基于 AST 排序和架构修剪的改进检索增强型文本到 SQL 模型

    通过动态检索输入数据库信息和使用抽象语法树选择少量示例以进行上下文学习，本文提出一种从大型语言模型的角度着眼于文本到 SQL 语义解析的方法，并研究并行语义解析器在生成预期 SQL 查询的近似版本方面的利用程度。作者利用不到 500M 参数的极其高效的逼近模型进行了实验，应用于语义解析的单语和跨语言基准测试中，取得了比现有基准的改进效果，并对未来工作方向提出了有趣的见解。

    Jul, 2024

  • 基于图形的无递归语义解析

    本文提出了一种新的基于图的方法来进行语义解析，解决了文献中观察到的两个问题：(1) seq2seq 模型无法完成组合泛化任务；(2) 使用短语结构解析器的先前工作无法涵盖树库中观察到的所有语义解析。我们证明了两个优化算法的正确性，用基于约束平滑和条件渐变的方法近似解决这些推断问题。实验证明，我们的方法在 Geoquery、Scan 和 Clevr 上都具有最先进的效果，包括在测试组合泛化的过程中。

    Feb, 2023

  • T5-SR: 一种用于语义解析的统一 Seq-to-Seq 解码策略

    该篇论文分析了语义解析 (seq2seq) 面临的挑战，如预测语义信息和处理自然语言查询和 SQL 之间的语义连贯性，并提出一种名为 SR 的解码策略，包括一种新的中间表示 (SSQL) 和用于解决这些难题的得分再评估的 reranking 方法。实验证明，该方法在 Spider 数据集上取得了最新的最先进的结果 (T5-SR-3b)。

    Jun, 2023

  • 针对文本到 SQL 解析的数据库结构全局推理

    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％。

    Aug, 2019

  • 基于检索与元学习相结合的上下文相关语义解析

    本文提出一种方法，利用检索到的数据点作为上下文依赖的语义解析的支持证据，通过结合检索模型和元学习器实现。在 CONCODE 和 CSQA 数据集上的实验表明，这种方法在 JAVA 代码和对话历史上的环境下，都可以提高准确性，比检索和编辑的基线方法更有效。

    Jun, 2019

  • 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

  • QASem 解析：基于 QA 语义的文本到文本建模

    该论文研究了使用问答的方式表示语义关系，并从三个任务的角度分析了如何最好地利用 seq2seq 预训练语言模型的威力。最终提出了一个综合文本信息的模型，并发布了具有实用性的 QASem 分析工具。

    May, 2022

  • 跨域上下文依赖语义解析的动态混合关系网络

    本文提出了一个动态图形框架，能够有效地建模上下文话语、令牌、数据库模式及其交互，并通过强大的重新排名模型进一步增强。该模型在 SParC 和 CoSQL 数据集上实现了新的最优表现。

    Jan, 2021

  • FANDA：一种新的后续查询分析方法

    本文提供了一个名为 FollowUp 的高质量数据集，总结了典型的追加查询场景，并提出了一种新的方法 FANDA 来解决跟进查询分析问题，该方法考虑查询结构，利用弱监督的最大间隔学习排名模型，在多个指标上表现优于多个基线。

    Jan, 2019