ACLMay, 2023

通过动态架构编码用自然语言纠正语义解析

PDF
TL;DR提出了一种利用自然语言反馈进行语义解析更正的方法，通过将任务的语义和语法困难分离，只需一轮自然语言反馈即可将文本到 SQL 解析器的准确性提高 26％；同时表明 T5-base 模型能在无需训练的情况下，纠正 T5-large 模型的错误。
natural languagesql queriessemantic parsingautoregressive decoderstext-to-sql
发现论文，激发创造
  • 与解析器对话：自然语言交互式文本到 SQL 转化与反馈

    本文研究了使用自然语言反馈进行语义解析校正的任务，并构建了 SPLASH 数据集，证明这种反馈形式可以显著提高语义解析的准确性。

    May, 2020

  • 文本到 SQL 语义解析的错误检测

    本文提出了一种基于预训练代码语言模型和图神经网络结构特征学习的独立于解析器的文本到 SQL 语义解析错误检测模型，实验表明此方法超越了解析器依赖的不确定性度量方法，能够有效提高文本到 SQL 语义解析器的性能和可用性。

    May, 2023

  • 从用户反馈中学习神经语义解析器

    本研究提出了一种使用神经序列模型直接将话语映射到 SQL 的自然语言接口构建方法，并基于用户反馈实现高质量的语义解析，实验表明这种方法快速适用于任何新领域。

    Apr, 2017

  • 使用细粒度查询理解提升文本转 SQL 语义解析

    本文提出了一种基于标记级精细化查询理解的通用、模块化的神经语义分析框架，包括命名实体识别器（NER）、神经实体链接器（NEL）和神经语义解析器（NSP），该框架联合建模查询和数据库，并基于动态生成的语法合成基于树结构的 SQL 查询。实验证明，该模型在 SQUALL 数据集上的执行准确率达到了 56.8％，超过了现有技术水平 2.7％。

    Sep, 2022

  • 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

  • 针对文本到 SQL 解析的数据库结构全局推理

    本研究针对语义解析器在零样本学习中难以正确选择新数据库常数集的问题，提出一种全局推理数据库常数集的解析器，采用图神经网络的消息传递机制，考虑问题的情境信息，软选择一部分数据库常数集，并通过训练模型根据数据库常数与问题单词的全局匹配度对解析结果排序。在面向包含复杂数据库的零样本语义解析数据集 Spider 中，我们将该方法应用于当前最先进模型，将准确率从 39.4％提高到 47.4％。

    Aug, 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

  • 中文 SQL 语义解析的试点研究

    构建了一个针对汉语的跨领域 SQL 语义解析数据集，研究使用基于字符和基于词汇的编码器以及不同的嵌入方案来进行语义解析，结果表明基于词汇的语义解析器容易出现分词错误，并且跨语言的词嵌入对于文本到 SQL 有用。

    Sep, 2019

  • 基于模型的交互式语义解析：统一框架和文本到 SQL 的案例研究

    本论文提出了一个新的交互式语义解析问题的统一形式，其中的目标是设计一个基于模型的智能代理。代理能够自主决定是否和何时需要人类干预，并生成自然语言的澄清问题，使用了世界模型并在两个 Text-to-SQL 数据集上得到了很好的效果。

    Oct, 2019

  • 基于语法的神经网络文本到 SQL 生成

    本文提出了一种处理 neural text-to-SQL models 中编写语法的复杂性的技术，从而生成 schema-dependent grammar，对 ATIS 和 Spider 两个挑战性的 text-to-SQL 数据集进行分析，显示可以减少 14-18% 的相对误差。

    May, 2019