Nov, 2023

$R^3$-NL2GQL: 一种综合模型方法，用于提高准确性和减轻幻觉

PDF
TL;DR当前的基础模型构建的 NL2SQL 任务在自然语言到图查询语言（NL2GQL）任务中的直接应用存在挑战，我们引入了 R3-NL2GQL 方法，使用较小和较大的基础模型作为重新排序器、重写器和细化器，同时考虑到了 GQL 的差异和较多的类型，我们的实验结果表明该方法在 NL2GQL 任务中具有产生 GQL 的优异能力、更好的意图理解和高精确度的语法。
nl2gqlfoundation modelsgql generationintent comprehensionr3-nl2gql
发现论文，激发创造
  • 将大型语言模型对齐到领域特定的图数据库

    使用 ChatGPT 创建自我指导的领域特定自然语言 - 图查询数据对以及使用这些数据对大型语言模型进行微调，并提出了一种提取相关模式的方法来引导模型生成准确的图查询语言（GQL）。实验证明，该方法在金融领域和医学领域的图数据库上取得了显著的性能改进。

    Feb, 2024

  • Blar-SQL: 更快、更强、更小的 NL2SQL

    研究表明，通过任务分解可以大大提高大型语言模型在数据库理解和查询生成方面的能力，从而通过 SQL 查询回答人类问题。我们提出了一个新的框架，通过将架构划分为块来在有限的上下文中容纳更多信息，该方法的结果与 GPT-4 相当，但体积更小、速度更快并且成本更低。

    Jan, 2024

  • 零样本 NL2SQL 生成中的预训练语言模型和大型语言模型的交替使用

    本文提出了 ZeroNL2SQL 框架，该框架结合了 PLMs 和 LLMs 的优势，支持零样本学习自然语言到 SQL 转换。该框架首先通过架构对齐使用 PLMs 生成 SQL 草图，然后使用 LLMs 通过复杂推理填充缺失信息。经过全面实验，ZeroNL2SQL 在现实世界基准测试中取得了最佳的零样本 NL2SQL 性能。

    Jun, 2023

  • 基於大型語言模型的無人系統知識庫問答的上下文學習

    基于知识库的问答（KBQA）旨在根据知识库来回答事实性问题。本研究针对无人系统中的知识图推理问答的 CCKS2023 竞赛，在 ChatGPT 和 GPT-3 等大型语言模型在许多问答任务中取得的最近成功的启发下，提出了基于 ChatGPT 的 Cypher 查询语言（CQL）生成框架，从给定的自然语言问题中生成最适合的 CQL 查询。我们的生成框架包括六个部分：根据给定的自然语言问题预测 CQL 的语法相关信息的辅助模型，从给定的自然语言问题中提取专有名词的专有名词匹配器，检索输入样例的相似示例的演示示例选择器，设计 ChatGPT 的输入模板的提示构造器，生成 CQL 的 ChatGPT 模型，以及从多样化的输出中获取最终答案的集成模型。凭借我们的基于 ChatGPT 的 CQL 生成框架，我们在 CCKS 2023 无人系统知识图推理问答竞赛中获得第二名，F1-score 为 0.92676。

    Nov, 2023

  • NLQxform: 基于语言模型的问题到 SPARQL 的转换器

    这篇研究论文介绍了一种名为 NLQxform 的问答系统，它基于变压器模型 BART，可以通过自然语言界面访问学术知识图谱，实现复杂查询意图的转换和信息检索。在 Scholarly QALD Challenge 中，NLQxform 在 QA 任务上获得 0.85 的 F1 分数，并在排行榜上名列第一，展示了系统的竞争力。

    Nov, 2023

  • 文本数据库推理

    我们提出了一种模块化架构来支持处理数据库查询，并在 WikiNLDB 数据集上进行了评估，结果表明我们的方法可以扩展到包含数千个事实的数据库，并将整体答案准确率从 85％提高到 90％。

    Jun, 2021

  • 针对特定上下文的 SQL 查询生成的语言模型微调

    通过对特定领域 (零售) 生成 SQL 查询的研究，使用开源大型语言模型 (LLMs) 进行微调，将自然语言转化为 SQL 查询，提高数据库的可访问性。

    Dec, 2023

  • 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

  • 通过大型语言模型实现自然语言数据可视化：一项探索性研究

    使用大型语言模型进行自然语言到可视化的转换任务，在分析如何将结构化表格数据转化为 LLM 所需的顺序文本提示时，发现将结构化表格数据转化为程序是有效的，并且在制定提示时考虑表格模式是必要的。同时，通过对比实验发现，LLM 在 NL2Vis 任务中优于基线方法，并且推理模型在提供少量示范的情况下通过上下文学习能够进一步改善性能，时而甚至超过微调模型。最后，分析 LLM 在 NL2Vis 任务中失败的情况，并提出了循环更新的策略，通过链式思维、角色扮演和代码解释等方法来迭代更新结果，实验证实了这种迭代更新的有效性，具有广阔的未来研究潜力。

    Apr, 2024

  • ColloQL：搜索查询的跨领域文本转 SQL 的鲁棒性解决方案

    使用数据增强技术和基于采样的内容感知 BERT 模型 (ColloQL) 实现了鲁棒的自然语言搜索 (NLS) 查询的文本到 SQL 建模，评估表明该方法优于现有技术。

    Oct, 2020