Feb, 2024

BlendSQL：统一混合问题回答的可伸缩方言

PDF
TL;DRBlendSQL 是一个 SQLite 的超集，通过单个解释性的 BlendSQL 查询将完整的分解推理路线编码为一个统一的方言，可用于解决涉及多跳推理的混合问答任务，并且能够在使用更少词汇的情况下扩展到大型数据集并提高端到端系统的性能。
end-to-end systemshybrid question answeringblendsqlmulti-hop reasoningtoken reduction
发现论文，激发创造
  • 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

  • DBCopilot: 拓展自然语言查询至海量数据库

    DBCopilot 是一个框架，通过使用紧凑且灵活的副驾驶模型，将 Text-to-SQL 过程分解为模式路由和 SQL 生成，为处理大规模模式提供了可扩展且有效的解决方案。

    Dec, 2023

  • 面向开放域问答的混合文本和表格证据的双重阅读器 - 解析器

    本文提出一种混合型框架，将文本和表格式证据作为输入，根据问题生成直接答案或 SQL 查询，并在几个开放领域问题回答（ODQA）数据集上表现出了明显优于基线模型的表现。在详细的分析中，证明生成结构化 SQL 查询将始终带来收益，尤其是对于那些需要复杂推理的问题。这是第一个将 Text2SQL 应用于 ODQA 任务的论文。

    Aug, 2021

  • 使用强化学习从自然语言生成结构化查询的 Seq2SQL 模型

    提出一种基于深度神经网络 Seq2SQL 的 SQL 查询翻译模型，利用强化学习策略优化模型，并结合 WikiSQL 数据集进行模型训练，性能比注意力机制模型更好，精度从 35.9% 提高至 59.4%。

    Aug, 2017

  • TrustSQL：具备多样性无法回答问题的文本到 SQL 模型可靠性基准测试

    近期对于大型语言模型的研究取得了显著进展，特别是在将自然语言问题翻译为 SQL 查询方面的准确性能大幅提升。然而，对于实际部署中遇到的各种类型问题，包括无法回答的问题，这些文本到 SQL 模型的可靠性还知之甚少。为了探讨这个方面，我们提出了 TrustSQL，这是一个新的基准系统，旨在评估文本到 SQL 模型在单数据库和跨数据库设置下的可靠性。基准任务要求模型给出两种结果之一：1）SQL 预测；2）不进行预测，无论是由于生成的 SQL 可能存在问题，还是面对无法回答的问题。为了对模型进行评估，我们探索了特定于该任务的各种建模方法，包括：1）为可回答性检测、SQL 生成和错误检测优化独立的模型，然后将它们集成到一个单一的流程中；2）开发一个统一的方法，优化一个单一模型来解决所提出的任务。实验证实了我们的新可靠性评分，表明解决这一挑战涉及到许多不同的研究领域，并为模型发展开辟了新的途径。然而，尽管有这么多的方法，但没有一种能够超越纯基准的可靠性性能，即放弃回答所有问题。

    Mar, 2024

  • SUQL：基于大型语言模型的结构化和非结构化数据的对话式搜索

    引入 SUQL，结构化和非结构化查询语言，它是第一个在形式上可执行表示中自然覆盖结构化和非结构化数据查询的表达。通过增加几个自由文本原语来形成精确、简洁和表达力强的表示。使用大型语言模型基于 SUQL 开发的交互式搜索代理程序，包括适用于 SUQL 的少样本上下文语义解析器。在验证我们的方法时，引入了一个由众包问题和有关真实餐厅的对话组成的数据集。数据集中超过 51% 的问题需要使用结构化和非结构化数据，表明这是一种常见现象。我们表明，基于 SUQL 的少样本交互式代理程序在 89.3% 的情况下可以找到满足所有用户需求的实体，而一个强大且常用的基准系统只能在 65.0% 的情况下实现相同效果。

    Nov, 2023

  • 通过 SQL 查询分解训练表格问答

    通过模仿 SQL 类似的代数操作的执行流程，本研究展示了提供中间监督步骤的学习方法，从而实现了更强的泛化和结构化推理能力，该研究填补了语义解析与直接回答方法之间的差距，并为生成式架构应该预测哪些类型的操作或应由外部算法优先执行提供了有用的见解。

    Feb, 2024

  • 使用 SQL 查询大型语言模型

    使用大语言模型和 SQL 查询从自然语言文本中提取数据和查询，是信息检索和处理的新方向并带来了新的挑战和机遇。

    Apr, 2023

  • SeqGenSQL -- 用于结构化查询语言的稳健序列生成模型

    利用 T5 模型进行文本转 SQL，结合问题增值和自动生成的银标识训练数据，实现了较高的 SQL 执行精度，并接近基于逻辑形式的最新的具有 SOTA 性能系统。

    Nov, 2020

  • SQLNet：无强化学习的自然语言结构化查询生成

    本文提出了一种新的方法，即 SQLNet，通过避免不必要的序列结构来基本解决序列化时的顺序问题，并结合依赖图、序列－集合模型和列注意力机制，可以在 WikiSQL 任务中比之前的方法提高 9% 到 13% 的效果。

    Nov, 2017