Oct, 2022

利用自我对弈增强多轮文本转 SQL 数据集

PDF
TL;DR本文提出了一种通过自身游戏来增强训练集，再利用经过采样的目标查询生成新的交互来适应新的数据库的上下文依赖文本转 SQL 任务方法，并利用所得到的增强数据重新训练模型，实验表明，该方法在 SParC 和 CoSQL 两个广泛使用的跨领域文本转 SQL 数据集上显著提高了准确性。
context-dependent text-to-sqlself-playcross-domain generalizationsemantic parseraugmented data
发现论文，激发创造
  • 多轮文本到 SQL 的分离对话建模和语义解析

    本研究提出了一种新的分离式多轮对话文本转 SQL 框架，使用话语重写模型和单轮 Text-to-SQL 解释器来解决对多轮对话历史建模和数据稀疏性问题，在无标注的情况下表现优异。

    Jun, 2021

  • 多轮文本到 SQL 语义解析的交互状态跟踪

    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

  • 多关注历史记录：一种面向会话文本到 SQL 的上下文建模策略

    本研究提出了两个对话建模任务，旨在辅助多轮对话语义解析。结果表明，在上下文总结和明确建模每个轮次的语义变化方面，可以极大提高多轮语义解析的性能。

    Dec, 2021

  • 跨域文本到 SQL 解析中的基于层次化 SQL 到问题生成的数据增强

    该论文通过设计一个简单而有效的数据增强框架，提出了一种层次化的 SQL 转自然语言问题生成模型，以及一种简单的采样策略来显著提高训练效率。在三个跨领域数据集上的实验表明，其方法可以一贯地改善表现，并且层次化生成组件是改善的关键。

    Mar, 2021

  • QDA-SQL：问题增强对话增强的多轮文本到 SQL

    提出了一种名为 QDA-SQL 的新型数据增强方法，通过使用 LLMs 生成多种类型的多轮问答对，以提高针对复杂多轮 Text-to-SQL 任务的 LLMs 性能。实验证明，QDA-SQL 可以使经过微调的模型在 SQL 语句准确性方面表现更好，并提高它们处理复杂不可回答问题的能力。

    Jun, 2024

  • 通过增加自然语言变化提升语义解析的泛化能力

    使用数据增强来增强文本到 SQL 解析器对自然语言变化的鲁棒性，通过大型语言模型生成更真实和多样化的问题，从而在评估集合中实现显著的改进。

    Feb, 2024

  • CQR-SQL：对话式问题重构增强的上下文相关文本到 SQL 解析器

    该论文提出了一种名为 CQR-SQL 的方法，利用辅助对话问题改写（CQR）学习来显式地利用模式，并解耦文本 - SQL 语句的上下文依赖关系，从而增强 SQL 解析的能力。该方法在两个文本 - SQL 基准测试中取得了最新的最先进结果。

    May, 2022

  • 生成增强预训练用于语义解析的上下文表示学习

    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

  • DIN-SQL：基于上下文分解的自我修正文本到 SQL 学习

    研究了如何将复杂的文本到 SQL 任务分解为较小的子任务，从而显著提高大型语言模型（LLMs）在推理过程中的性能，证明了将 SQL 查询分解为子问题并将这些子问题的解决方案提供给 LLMs 可以显著提高性能。在三个 LLMs 上的实验表明，此方法始终将性能提高约 10％，推动 LLMs 的准确性接近最先进水平，甚至超过用于持有 Spider 数据集的大型精调模型。

    Apr, 2023

  • 面向会话的文本到 SQL 转换：现状和未来挑战的探索

    通过多任务联合训练和模式重排应用于 text-to-SQL 任务中，可以显著提高模型的表现，进一步结合查询计划模型和模式链接算法后，T5-3B 的精确匹配和执行匹配的准确度均超过 SOTA 基线。

    Feb, 2023