该研究使用基于关系感知自注意机制的统一框架，解决将自然语言问题转换为 SQL 查询中出现的通用性问题，包括编码数据库关系，建立数据库列和查询的链接，以及特征表示。在 Spider 数据集上，该框架将的精确匹配准确度提高到 57.2％，优于其最好的对手 8.7％的绝对改进，并在 BERT 的支持下，实现了 65.6％的性能，成为了新的最佳表现，同时也在模型对数据库链接和对齐的理解方面得到了定性改善。

Nov, 2019

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

提出了一种使用门控机制动态选择连接过程、将两种连接过程集成到两个基于图神经网络的语义解析器中，并与 BERT 表征一起演示在具有挑战性的 Spider 数据集上的显著性能提升，该方法有助于增强模型输出的结构并提供更可解释的预测。

Sep, 2020

传统的文本到 SQL 解析器在合成涉及多个表格或列的复杂 SQL 查询方面表现不佳，为了解决这个问题，我们提出了一种面向模式的多任务学习框架（名为 MTSQL）来处理复杂的 SQL 查询。通过设计一个模式链接鉴别器模块来区分有效的问题 - 模式关联，明确指示编码器通过特殊的链接关系来增强对齐质量。在解码器方面，我们定义了 6 种关系类型来描述表格和列之间的连接，并引入以运算符为中心的三元抽取器来识别那些与预定义关系相关的模式项。此外，我们通过预测的三元组建立了一组语法约束规则集，用于在 SQL 生成过程中过滤适当的 SQL 运算符和模式项。在跨领域的具有挑战性的文本到 SQL 基准测试 Spider 上，实验结果表明 MTSQL 比基线方法更有效，特别是在极端困难的场景中。此外，进一步的分析验证了我们的方法在处理复杂 SQL 查询方面的有希望的改进。

Mar, 2024

使用 CodeLlama-34B 建立了一种创新的模式链接方法，通过从初始 SQL 查询中提取表格和列，创建了一个简明的架构，并且在与主流方法对比的情况下，在 SQL 生成方面表现最佳。利用 GPT4，在 Spider 数据集上实现了与主流 Text-to-SQL 方法相媲美的结果。

May, 2024

本研究提出一种基于预训练语言模型的 Text-to-SQL 模型，结合排序增强编码和骨架感知解码框架的方法，以解耦数据库模式连接和 SQL 关键字解析，实验表明该模型在 Spider 数据集上表现良好。

Feb, 2023

该研究关注语言解析到 SQL 的过程，并提出了一种使用图神经网络对数据库模式进行编码的方法，在 Spider 数据集上得到了较高的解析准确率。

May, 2019

使用大语言模型和 SQL 查询从自然语言文本中提取数据和查询，是信息检索和处理的新方向并带来了新的挑战和机遇。

Apr, 2023

本研究对比了一个新型结构探针和传统解析器，发现两种方法在不同语言上效果并存，提出了关于使用哪种技术的问题。

May, 2020

利用 Query Plan Language (QPL) 和 Large Language Models (LLMs)，本文探讨了通过简化语法和模块化规范复杂查询来创建一个更易于学习和验证的查询语言，以便使非程序员能够更好地评估交互式查询计划助手生成的查询计划，进而提高复杂查询的准确性。

Dec, 2023