ACLJun, 2021

LGESQL: 基于线图增强的混合局部和非局部关系文本到 SQL 模型

PDF
TL;DR本研究提出了一种针对 text-to-SQL 任务中具有挑战性的异构图编码问题的 LGESQL 模型，通过线图增强策略挖掘底层的关系特征，同时设计了一个名为图修剪的辅助任务，提高编码器的判别能力，在跨领域的文本到 SQL 测试 Spider 上取得了最先进的结果。
heterogeneous graph encodingtext-to-sqlline graphgraph pruningrelational features
发现论文，激发创造
  • 使用 Graph-to-Sequence 模型进行 SQL 到文本生成

    本文提出了一种将 SQL 查询表示为有向图的策略，并采用图到序列模型将全局结构信息编码成节点嵌入的方法，从而有效地学习 SQL 查询模式和其解释之间的相关性，实验结果表明，我们的模型在 WikiSQL 数据集和 Stackoverflow 数据集上表现显著优于 Seq2Seq 和 Tree2Seq 基线模型，达到了最先进的性能水平。

    Sep, 2018

  • 基于数据库架构交互图的上下文相关文本到 SQL 生成的神经模型

    本研究提出了一种基于数据库架构图编码器的上下文相关文本到 SQL 任务模型，该模型使用历史用户输入的编码器和数据库架构项的历史信息，采用门控机制加权不同词汇的重要性，取得 SParC 数据集和 CoSQL 数据集上的最新最佳结果，并证明了该模型的实用性。

    Nov, 2020

  • 通过迭代学习模式链接图来提升语义文本到 SQL 解析能力

    本文提出一种名为 ISESL-SQL 的框架，通过具有迭代性的语义增强架构图方法，构建了问题单词和数据库模式之间的联系，提高文本到 SQL 系统的泛化能力。实验结果表明，ISESL-SQL 优于其他基准模型，并展示了其在多种数据库上的鲁棒性和泛化能力。

    Aug, 2022

  • 建模知识图谱中的全局和局部节点上下文以进行文本生成

    本研究提出了一种新型神经模型，将全局节点编码和局部节点编码相结合，以学习更好的上下文节点嵌入，实现了在两个图文转换数据集上明显的改进。

    Jan, 2020

  • S$^2$SQL：在文本到 SQL 解析器中注入语法以实现问题 - 架构交互图编码器

    本文提出了一种注入语法到问 - Schema 图编码器中用于 Text-to-SQL 解析器的方法 ——S$^2$SQL，它有效地利用了问题中的句法依赖信息来提高性能，并采用解耦约束来诱导多样化的关系边缘嵌入，实验结果在 Spider 和鲁棒性设置 Spider-Syn 上均表现优于所有现有方法，使性能在 Spider 排行榜上名列前茅。

    Mar, 2022

  • Graphix-T5: 将预训练的 Transformer 与图感知层结合，用于文本到 SQL 解析

    本研究提出了一种混合模型 GRAPHIX-T5，使用特定的图形感知层来增强预训练的文本到文本 Transformer 模型 T5 在 text-to-SQL 解析任务上的性能，在四个 SQL 基准测试中均获得更好的结果，尤其是在 EM 和 EX 方面快速准确地超越了 T5-3B。

    Jan, 2023

  • DigNet: 从局部 - 全局交互图中挖掘线索，用于方面级情感分类

    本研究提出了一种新颖的本地 - 全局交互图，通过交互边沿连接两种图形，结合了局部句法和全局关系信息。使用 DigNet 神经网络进行建模可以实现在理解方面层面情感时，局部句法和全局关系信息的协调一致，实验证明了该方法的优越性。

    Jan, 2022

  • NL2SQL 的关系感知半自回归语义解析

    该论文提出了一种基于关系嵌入的半自回归语义分析 NL2SQL 方法，通过 ELECTRA 和关系感知 transformer 层实现与模式实体及问题单词之间的关系嵌入，再使用半自回归解析器和预定义的 SQL 语法解码查询 SQL，从实验结果和案例研究来看，该方法在 NL2SQL 中具有更好的词汇表现力。

    Aug, 2021

  • 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

  • HIE-SQL：基于历史信息增强的网络的上下文依存文本到 SQL 语义解析

    本文提出了一种历史信息增强的文本转 SQL 模型（HIE-SQL），通过两种不同的模态（自然语言和 SQL）的双模态预训练模型来处理它们之间的不匹配，从而利用历史话语和最后预测的 SQL 查询中的上下文依赖信息，并设计了一个模式连接图来增强话语和 SQL 查询与数据库模式之间的联系。我们展示了历史信息增强方法显著提高了 HIE-SQL 的性能，在 SparC 和 CoSQL 数据集上取得了新的最优结果。

    Mar, 2022