EMNLPSep, 2021

自然 SQL：使 SQL 更容易从自然语言规范中推断

PDF
TL;DR提出一种名为自然 SQL（NatSQL）的 SQL 中间表示，通过去除难以在文本中找到对应词的运算符和关键字、消除嵌套子查询和 set 运算符的需要，以及降低必要模式项的数量来简化查询，从而提高了现有模型的性能，并使得不支持可执行 SQL 生成的模型能够生成可执行的 SQL 查询，并实现了新的最新执行准确度。
text-to-sql translationnatural sqlsql intermediate representationspider benchmarkexecutable sql generation
发现论文，激发创造
  • SQL 查询生成的最新进展：综述

    该论文综述了最新的自然语言转 SQL 查询方法和模型，并描述了使用深度学习技术的各种架构，阐述了数据集和评估指标。

    May, 2020

  • 跨领域数据库中基于中间表示的复杂文本转 SQL 研究

    利用 IRNet 的神经方法，从文本向 SQL 转换的复杂性和跨领域性的角度入手，成功解决了大量领域外单词造成的列预测挑战，并在 Spider 基准测试中取得了 46.7％精度，比之前表现最佳的方法 “进步了 19.5％”，在 Spider 排行榜上位居第一。

    May, 2019

  • 低代码平台中的自然语言到 SQL

    使用低代码平台中的自然语言（NL）和 SQL 查询数据，我们提出了一个流程，让开发人员能够以自然语言检索数据，并使用 NL 模型生成 SQL。通过与生产数据的反馈，我们验证了流程的有效性，并观察到采用该流程后在四个不同模型中的特性采用率提高了 240％，参与率提高了 220％，失败率降低了 90％。

    Aug, 2023

  • ScienceBenchmark：一个复杂的真实世界基准测试，用于评估自然语言转 SQL 系统

    本文介绍了 ScienceBenchmark，这是一个 NL-to-SQL 基准，旨在使高度特定于领域的数据库中的自然语言查询能够正常工作，并扩展了人工生成数据的数量，以使用 GPT-3 生成合成数据。

    Jun, 2023

  • 通过可编辑的逐步说明进行交互式文本到 SQL 生成

    本文介绍了一种新的交互机制，允许用户直接编辑一步一步的 SQL 解释，以纠正 SQL 错误，实验结果显示，我们的方法在执行准确性方面比三种 SOTA 方法至少高出 31.6％，用户研究进一步显示，我们的方法可以帮助用户在更短的时间内解决更多的 SQL 任务并提高信心水平，特别是为非专业人士扩展了数据库的使用。

    May, 2023

  • 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

  • TypeSQL: 基于知识的类型感知神经网络文本到 SQL 生成

    本文提出了一种新方法 TypeSQL，通过将问题转换为插槽填充任务，并利用类型信息来更好地理解自然语言问题中的稀有实体和数字，从而实现了通过自然语言与关系型数据库进行交互。在 WikiSQL 数据集上测试该方法，比现有技术提高了 5.5％的性能。同时，利用数据库内容进行访问可以显著提高用户查询的性能，TypeSQL 的准确度为 82.6％，相对于之前的内容敏感模型提高了 17.5％。

    Apr, 2018

  • 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

  • 文本到 SQL 的最近进展：我们已经掌握了什么，以及我们期望的

    该文回顾了 Text-to-SQL 在数据集、方法和评估方面的最新进展，总结了该领域所面临的挑战，并讨论了未来的研究方向，对于现有工作的快速访问和激励未来研究具有重要的指导意义。

    Aug, 2022

  • 面向自然语言问题的语音驱动 SQL 查询生成：Speech-to-SQL

    本文旨在设计更有效的语音接口，以便查询关系型数据库中的结构化数据。首先引入了一种名为 Speech-to-SQL 的任务，该任务旨在理解由人类发音传达的信息，并将其直接转化为结构化查询语言（SQL）语句。本文提出了一种称为 SpeechSQLNet 的新型端到端神经体系结构，该体系结构可以直接将人类的语音转化为 SQL 查询，而无需外部自动语音识别步骤。为验证所提出模型的有效性，另构建了一个名为 SpeechQL 的数据集，并展开了广泛的实验证明，证明 SpeechSQLNet 可以直接从人类语音中综合高质量的 SQL 查询，精确匹配准确性方面超越了各种竞争对手以及级联方法。

    Jan, 2022