葡萄牙语问答与文本转 SQL 的整合

Feb, 2022

Integrating question answering and text-to-SQL in Portuguese

Marcos Menon José, Marcelo Archanjo José, Denis Deratani Mauá, Fábio Gagliardi Cozman

TL;DR本文提出、构建并验证了一个集成不同模块以回答两种不同查询的结构，该模型利用自然语言文本，分类并将其发送给神经问题回答推理器或自然语言解析器到 SQL，经过测试和实验，我们的系统以高精度（超过 99％）选择适当的回答方法，从而验证了模块化问题回答策略。

Abstract

deep learning transformers have drastically improved systems that automatically answer questions in natural language. However, different q

发现论文，激发创造

该研究使用多语言 BART 模型来研究将葡萄牙语问题翻译为 SQL 查询时的技术和现象，证明使用原始和翻译的训练数据集的多语言 BART 模型在葡萄牙语测试数据集上的准确率可以达到 83％，对于使用非英语语言进行机器学习的研究者具有一定的参考价值。

Oct, 2021

本论文研究了使用神经机器翻译范式进行问题解析的应用，采用序列到序列模型来学习 SPARQL 图查询语言及其组合中的图形模式。通过模板构建问题和查询之间的对齐情况，探讨半监督学习方法代替问题 - 答案对诱导程序，并且借助自然语言生成的新进展扩展语言表达的覆盖范围。

Jun, 2018

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

我们提出了一种模块化架构来支持处理数据库查询，并在 WikiNLDB 数据集上进行了评估，结果表明我们的方法可以扩展到包含数千个事实的数据库，并将整体答案准确率从 85％提高到 90％。

Jun, 2021

比较了常用的自然语言生成方法，探讨模板模型、管道模型和神经网络模型在从结构化数据生成葡萄牙语文本时的表现，并发现中间步骤较多的方法能比端到端的神经网络模型生成更好的文本。

Oct, 2022

本研究考虑将自然语言转换成 SQL，用于关系数据库的数据检索。我们提出了一种新的编码 - 解码框架，包括新的语义特征和语法感知状态等新方法。实证评估结果表明，我们的方法在真实世界的数据库和查询上明显优于现有技术。

Nov, 2017

使用不同的 Transformer 模型，我们创建了一个基于阅读理解的马拉提语问答系统，并在马拉提语阅读理解数据集上通过对 MuRIL 多语言模型进行微调，获得了最佳准确性，EM 得分为 0.64，F1 得分为 0.74。

Sep, 2023

本研究提出了一种基于规则的开放域问答系统，可以回答来自相关上下文的任何领域的问题，使用 1000 个问题的 SQuAD 2.0 数据集测试开发的系统表现满意，同时分析了性能。

Mar, 2022

本文研究使用深度学习技术回答多步推理问题的方法，该方法基于自然语言问句生成机器可理解的逻辑形式，使用字符和单词 CNN 同时嵌入逻辑形式和问句，并使用神经评分函数检索问题的最可能逻辑形式，取得 38.7% 的最佳性能。

Feb, 2017

本文提出了一种技术，使长文本序列可以通过 transformers 处理，这对于自然语言到 SQL 查询的翻译非常有用，该技术包括训练过程、数据库架构修剪和多语言方法。

Jun, 2023