EMNLPOct, 2019

基于模型的交互式语义解析：统一框架和文本到 SQL 的案例研究

PDF
TL;DR本论文提出了一个新的交互式语义解析问题的统一形式，其中的目标是设计一个基于模型的智能代理。代理能够自主决定是否和何时需要人类干预，并生成自然语言的澄清问题，使用了世界模型并在两个 Text-to-SQL 数据集上得到了很好的效果。
发现论文，激发创造
  • 透明互动语义解析：逐步校正

    本研究研究了一种交互式语义解析框架，它可以通过自然语言一步一步地解释预测的逻辑形式，并允许用户通过自然语言反馈进行更正，主要关注问答和知识库的关系，构建了 INSPIRED 数据集，并进行了实验，有望大大提高总体解析精度。

    Oct, 2021

  • 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

  • 使用细粒度查询理解提升文本转 SQL 语义解析

    本文提出了一种基于标记级精细化查询理解的通用、模块化的神经语义分析框架，包括命名实体识别器（NER）、神经实体链接器（NEL）和神经语义解析器（NSP），该框架联合建模查询和数据库，并基于动态生成的语法合成基于树结构的 SQL 查询。实验证明，该模型在 SQUALL 数据集上的执行准确率达到了 56.8％，超过了现有技术水平 2.7％。

    Sep, 2022

  • 语义解析调研

    本文综述了语义解析系统的各种组件及从初始基于规则的方法到当前程序综合的神经方法的重要进展，重点探讨了使用不同程度监督的方法，并强调了学习此类系统所涉及的关键挑战。

    Dec, 2018

  • 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

  • 中文 SQL 语义解析的试点研究

    构建了一个针对汉语的跨领域 SQL 语义解析数据集，研究使用基于字符和基于词汇的编码器以及不同的嵌入方案来进行语义解析，结果表明基于词汇的语义解析器容易出现分词错误，并且跨语言的词嵌入对于文本到 SQL 有用。

    Sep, 2019

  • 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

  • 与解析器对话：自然语言交互式文本到 SQL 转化与反馈

    本文研究了使用自然语言反馈进行语义解析校正的任务，并构建了 SPLASH 数据集，证明这种反馈形式可以显著提高语义解析的准确性。

    May, 2020

  • 你的意思是什么？”—— 一种独立于解析器的交互式方法，用于增强文本到 SQL 的能力

    该研究论文提出了一种名为 PIIA 的交互式方法，它使用多项选择题与用户交互，以提高自然语言查询数据库的性能，并且能够与多个解析器一起使用。实验结果表明，PIIA 可以显著提高 text-to-SQL 的性能。

    Nov, 2020

  • 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