May, 2023

QURG: 基于问题重写的上下文引导文本至 SQL 语义解析

PDF
TL;DRQURG 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。
text-to-sqlcontext-dependencequestion rewritingmatrix encoderperformance improvement
发现论文，激发创造
  • 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

  • 基于编辑的 SQL 查询生成技术：针对跨领域上下文相关问题

    本研究提出了一种基于编辑机制的交互式文本到 SQL 生成方法，通过利用序列级的生成结果，结合上下文以及表结构信息来提高生成质量，并在 SParC 数据集上实现了优于当前最先进方法的生成效果。

    Sep, 2019

  • 带执行引导的 Text-to-SQL 生成的鲁棒性

    该研究探讨了神经话语解析的问题，引入新的执行指南机制来利用 SQL 的语义，证明其普遍提高了基于自回归生成模型的语义解析模型的性能。

    Jul, 2018

  • S$^2$SQL：在文本到 SQL 解析器中注入语法以实现问题 - 架构交互图编码器

    本文提出了一种注入语法到问 - Schema 图编码器中用于 Text-to-SQL 解析器的方法 ——S$^2$SQL，它有效地利用了问题中的句法依赖信息来提高性能，并采用解耦约束来诱导多样化的关系边缘嵌入，实验结果在 Spider 和鲁棒性设置 Spider-Syn 上均表现优于所有现有方法，使性能在 Spider 排行榜上名列前茅。

    Mar, 2022

  • 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

  • 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

  • ConvGQR: 面向对话搜索的生成查询改写

    本文提出了 ConvGQR 的框架，该框架基于生成预训练语言模型，一种用于查询重写，另一种用于生成潜在答案。通过结合两者，ConvGQR 可以产生更好的搜索查询。此外，我们提出了一种知识注入机制来优化查询重写和检索，实验表明 ConvGQR 的有效性。

    May, 2023

  • 利用关键背景提高问题生成

    该研究提出了一种新的问句生成方法，通过同时建模结构化的答案相关关系和非结构化的句子来生成准确简短的问题，在多项自动评估指标上实现了显著的提升，并可针对包含多个答案相关关系的句子生成多种问句。

    Oct, 2019

  • 基于历史语义图的带时态信息建模的对话式知识库问答

    本文提出了一种历史语义图增强问答模型（HSGE），能够有效地建模会话历史中的长程语义依赖关系，同时保持低计算成本。实验结果表明，它在所有问题类型上平均优于现有基线。

    Jun, 2023

  • 使用模式依赖性学习改进文本到 SQL 的转换

    本篇论文提出了一种基于 Schema Dependency 的多任务 Text-to-SQL 模型（SDSQL），用于有效捕获问题和架构之间的交互，从而减少数据库执行所拖延的推理时间，具有更好的可扩展性和更高的性能。

    Mar, 2021