論文の概要: Translating synthetic natural language to database queries: a polyglot deep learning framework

• arxiv url: http://arxiv.org/abs/2104.07010v1
• Date: Wed, 14 Apr 2021 17:43:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 13:29:25.240326
• Title: Translating synthetic natural language to database queries: a polyglot deep learning framework
• Title（参考訳）: 合成自然言語をデータベースクエリに翻訳する:多言語ディープラーニングフレームワーク
• Authors: Adri\'an Bazaga and Nupur Gunwant and Gos Micklem
• Abstract要約: Polyglotterは自然言語検索とデータベースクエリのマッピングをサポートする。 トレーニングのために手動で注釈付きデータを作成する必要はない。 我々のフレームワークは, 合成データベースと実データベースの両方で良好に動作することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The number of databases as well as their size and complexity is increasing. This creates a barrier to use especially for non-experts, who have to come to grips with the nature of the data, the way it has been represented in the database, and the specific query languages or user interfaces by which data are accessed. These difficulties worsen in research settings, where it is common to work with many different databases. One approach to improving this situation is to allow users to pose their queries in natural language. In this work we describe a machine learning framework, Polyglotter, that in a general way supports the mapping of natural language searches to database queries. Importantly, it does not require the creation of manually annotated data for training and therefore can be applied easily to multiple domains. The framework is polyglot in the sense that it supports multiple different database engines that are accessed with a variety of query languages, including SQL and Cypher. Furthermore Polyglotter also supports multi-class queries. Our results indicate that our framework performs well on both synthetic and real databases, and may provide opportunities for database maintainers to improve accessibility to their resources.
• Abstract（参考訳）: データベースの数と、そのサイズと複雑さが増えている。 これは、特にデータの性質、データベースで表現されている方法、データにアクセスする特定のクエリ言語やユーザインターフェースを把握しなくてはならない非専門家のために使用するための障壁を生み出します。 これらの困難は、多くの異なるデータベースを扱うのが一般的である研究環境において悪化する。 この状況を改善する1つのアプローチは、ユーザーが自然言語でクエリを入力できるようにすることである。 本稿では,自然言語検索からデータベースクエリへのマッピングを汎用的にサポートする機械学習フレームワークであるPolyglotterについて述べる。 重要なのは、トレーニングのために手動で注釈付きデータを作成する必要はなく、複数のドメインに簡単に適用できることだ。 このフレームワークは、SQLやCypherなど、さまざまなクエリ言語でアクセスされる複数の異なるデータベースエンジンをサポートするという意味で、多言語である。 さらに、Polyglotterはマルチクラスクエリもサポートする。 その結果,本フレームワークは合成データベースと実データベースの両方で良好に動作し,データベースメンテナがリソースへのアクセシビリティを向上させる機会を提供する可能性が示唆された。

関連論文リスト

• SM3-Text-to-Query: Synthetic Multi-Model Medical Text-to-Query Benchmark [4.049028351548513]
  異なるデータベースモデルは、クエリの複雑さとパフォーマンスに大きな影響を与えます。 SM3-Text-to-Queryは,最初のマルチモデル医療用テキスト-to-Queryベンチマークである。
  論文  参考訳（メタデータ） (2024-11-08T12:27:13Z)
• Text2SQL is Not Enough: Unifying AI and Databases with TAG [47.45480855418987]
  Table-Augmented Generation (TAG) は、データベース上の自然言語の質問に答えるパラダイムである。 我々は、TAG問題を研究するためのベンチマークを開発し、標準手法がクエリの20%以上を正しく答えることを発見した。
  論文  参考訳（メタデータ） (2024-08-27T00:50:14Z)
• RB-SQL: A Retrieval-based LLM Framework for Text-to-SQL [48.516004807486745]
  文脈内学習を伴う大規模言語モデル(LLM)は、テキスト・ツー・タスクの性能を大幅に改善した。 In-context prompt Engineering のための新しい検索ベースフレームワーク RB- を提案する。 実験により,我々のモデルは,公開データセットのBIRDとSpiderの競合ベースラインよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2024-07-11T08:19:58Z)
• UQE: A Query Engine for Unstructured Databases [71.49289088592842]
  構造化されていないデータ分析を可能にするために,大規模言語モデルの可能性を検討する。 本稿では,非構造化データ収集からの洞察を直接問合せ,抽出するUniversal Query Engine (UQE)を提案する。
  論文  参考訳（メタデータ） (2024-06-23T06:58:55Z)
• SQL-PaLM: Improved Large Language Model Adaptation for Text-to-SQL (extended) [53.95151604061761]
  本稿では,大規模言語モデル(LLM)を用いたテキスト・ツー・フィルタリングのフレームワークを提案する。 数発のプロンプトで、実行ベースのエラー解析による一貫性復号化の有効性について検討する。 命令の微調整により、チューニングされたLLMの性能に影響を及ぼす重要なパラダイムの理解を深める。
  論文  参考訳（メタデータ） (2023-05-26T21:39:05Z)
• Interactive Text-to-SQL Generation via Editable Step-by-Step Explanations [31.3376894001311]
  本稿では,ユーザがクエリのステップバイステップ説明を直接編集してエラーを修正する,新たなインタラクションメカニズムを提案する。 複数のデータセットに対する我々の実験は、24人の参加者を持つユーザとともに、我々のアプローチが複数のSOTAアプローチより優れていることを実証している。
  論文  参考訳（メタデータ） (2023-05-12T10:45:29Z)
• AskYourDB: An end-to-end system for querying and visualizing relational databases using natural language [0.0]
  複雑な自然言語をSQLに変換するという課題に対処する意味解析手法を提案する。 我々は、モデルが本番環境にデプロイされたときに重要な部分を占める様々な前処理と後処理のステップによって、最先端のモデルを修正した。 製品がビジネスで利用できるようにするために、クエリ結果に自動視覚化フレームワークを追加しました。
  論文  参考訳（メタデータ） (2022-10-16T13:31:32Z)
• Dual Reader-Parser on Hybrid Textual and Tabular Evidence for Open Domain Question Answering [78.9863753810787]
  世界の知識は構造化データベースに保存されている。 クエリ言語は、複雑な推論を必要とする質問に答えるだけでなく、完全な説明可能性を提供することができる。
  論文  参考訳（メタデータ） (2021-08-05T22:04:13Z)
• "What Do You Mean by That?" A Parser-Independent Interactive Approach for Enhancing Text-to-SQL [49.85635994436742]
  ループ内に人間を包含し,複数質問を用いてユーザと対話する,新規非依存型対話型アプローチ(PIIA)を提案する。 PIIAは、シミュレーションと人的評価の両方を用いて、限られたインタラクションターンでテキストとドメインのパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2020-11-09T02:14:33Z)
• Towards a Natural Language Query Processing System [0.0]
  本稿では,自然言語クエリインタフェースとバックエンド関係データベースの設計と開発について報告する。 この研究の斬新さは、自然言語クエリを構造化クエリ言語に変換するために必要なメタデータを格納するために、グラフデータベースを中間層として定義することにある。 サンプルクエリの翻訳結果は90%の精度で得られた。
  論文  参考訳（メタデータ） (2020-09-25T19:52:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。