我们提出了 STAR，这是一个包含 127,833 个话语和基于知识库的查询，涵盖 13 个领域，共 5820 个任务型对话的模式引导数据集，旨在促进任务和领域的迁移学习。此外，我们提出了一种可扩展的众包范例，用于收集与 STAR 质量相同的任意大的数据集。此外，我们引入了新颖的模式引导对话模型，通过对任务的明确描述将从已知的任务泛化到未知的任务，证明了这些模型的有效性，尤其是在任务和领域的零 - shot 推广方面。

Oct, 2020

提出了一种名为 STAR 的新方法，旨在利用上下文无关语义解析的优势，执行后续查询分析，该方法可处理不同领域中的多种后续情景，实验表明，STAR 在解析结果上的优越性验证了后续查询分析的可行性。

Sep, 2019

通过 Generation-Augmented Pre-training 来解决现有通用语言模型在文本与 SQL 语义解析器中存在的问题，并在 SPIDER 和 CRITERIA-TO-SQL 基准测试中获得了新的最先进的结果。

Dec, 2020

StruG 是一种基于弱监督预训练框架的文本转 SQL 方法，在列基础和值基础映射方面，使用 Spider-Realistic 数据集进行评估，并在多个数据集上进行跨库评估，证明其在所有设定上都显著优于 BERT-LARGE，并且在更现实的情况下优于其他先前的预训练方法。

Oct, 2020

通过动态检索输入数据库信息和使用抽象语法树选择少量示例以进行上下文学习，本文提出一种从大型语言模型的角度着眼于文本到 SQL 语义解析的方法，并研究并行语义解析器在生成预期 SQL 查询的近似版本方面的利用程度。作者利用不到 500M 参数的极其高效的逼近模型进行了实验，应用于语义解析的单语和跨语言基准测试中，取得了比现有基准的改进效果，并对未来工作方向提出了有趣的见解。

Jul, 2024

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

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

本文提出了 X-SQL，这是一个新的网络架构，旨在解决将自然语言转换为 SQL 查询的问题。X-SQL 提出了结构模式表示与 BERT 风格的预训练模型的上下文输出相结合，并结合类型信息学习下游任务的新模式表示。我们在 WikiSQL 数据集上评估了 X-SQL，并展示了其新的最先进性能。

Aug, 2019

QURG 提出了一种新型的问题重写引导方法，通过训练问题重写模型以便更好地理解当前问题和问题上下文间的关联，并设计了双流矩阵编码器来联合建模，从而最终实现了优化基于上下文的自然语言问题到 SQL 查询的性能表现。

May, 2023

该论文提出了一个两阶段的框架以增强当前基于大语言模型的自然语言到 SQL 系统的性能，首先引入了一种称为参考增强表示的新型提示表示方法，然后通过 few-shot 示范检索问题 - SQL 对来生成初步 SQL，对初步 SQL 中的实体进行解析以进行模式链接，在第二阶段中，简化了提示的模式信息，最终使用跨不同语言模型的交叉一致性作为后细化模块，取得了在 Spider 基准上的新的最先进结果，执行准确率达到了 87.6%。

Mar, 2024