論文の概要: QURG: Question Rewriting Guided Context-Dependent Text-to-SQL Semantic Parsing

• arxiv url: http://arxiv.org/abs/2305.06655v1
• Date: Thu, 11 May 2023 08:45:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-12 15:30:08.100573
• Title: QURG: Question Rewriting Guided Context-Dependent Text-to-SQL Semantic Parsing
• Title（参考訳）: QURG: コンテキスト依存型テキスト-SQLセマンティックパーシングによる質問の書き直し
• Authors: Linzheng Chai, Dongling Xiao, Jian Yang, Liqun Yang, Qian-Wen Zhang, Yunbo Cao, Zhoujun Li, Zhao Yan
• Abstract要約: 本稿では,モデルが適切な文脈理解を実現するのに役立つ新しい質問書き直し指導手法であるQURGを提案する。 まず、質問コンテキストに基づいて現在の質問を完了させるために質問書き換えモデルを訓練し、それらを書き換え編集行列に変換する。 さらに、2ストリームの行列エンコーダを設計し、質問とコンテキスト間の書き直し関係と、自然言語と構造化スキーマの関係をリンクするスキーマを共同でモデル化する。
• 参考スコア（独自算出の注目度）: 46.05006486399823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Context-dependent Text-to-SQL aims to translate multi-turn natural language questions into SQL queries. Despite various methods have exploited context-dependence information implicitly for contextual SQL parsing, there are few attempts to explicitly address the dependencies between current question and question context. This paper presents QURG, a novel Question Rewriting Guided approach to help the models achieve adequate contextual understanding. Specifically, we first train a question rewriting model to complete the current question based on question context, and convert them into a rewriting edit matrix. We further design a two-stream matrix encoder to jointly model the rewriting relations between question and context, and the schema linking relations between natural language and structured schema. Experimental results show that QURG significantly improves the performances on two large-scale context-dependent datasets SParC and CoSQL, especially for hard and long-turn questions.
• Abstract（参考訳）: コンテキスト依存のText-to-SQLは、マルチターン自然言語質問をSQLクエリに変換することを目的としている。 さまざまなメソッドがコンテキストsql解析に暗黙的にコンテキスト依存情報を活用しているが、現在の質問と質問コンテキストの間の依存関係を明示的に解決しようとする試みはほとんどない。 本稿では,モデルが適切な文脈理解を達成するための新しい質問書換え指導手法であるqurgを提案する。 具体的には、まず、質問コンテキストに基づいて現在の質問を完了し、それらを書き換え編集行列に変換するよう、質問書き換えモデルを訓練する。 さらに,質問と文脈間の書き換え関係と,自然言語と構造化スキーマ間のスキーマ結合関係を共同でモデル化する2ストリーム行列エンコーダの設計を行った。 実験結果から,QURGは2つの大規模コンテキスト依存データセットSParCとCoSQLの性能を著しく向上させることが示された。

関連論文リスト

• Decoupling SQL Query Hardness Parsing for Text-to-SQL [2.30258928355895]
  本稿では,問合せ難易度解析の分離に基づくテキスト対結合のための革新的なフレームワークを提案する。 このフレームワークは、質問やスキーマを分析することで、クエリの難しさに基づいて、Text-to-coupleタスクを分離し、マルチハーネスタスクを単一ハーネスチャレンジに単純化する。
  論文  参考訳（メタデータ） (2023-12-11T07:20:46Z)
• STAR: SQL Guided Pre-Training for Context-dependent Text-to-SQL Parsing [64.80483736666123]
  文脈依存型テキスト・ツー・パースのための新しい事前学習フレームワークSTARを提案する。 さらに,STARを事前学習するための大規模コンテキスト依存型テキスト対話コーパスを構築した。 大規模な実験により、STARは2つの下流ベンチマークで新しい最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2022-10-21T11:30:07Z)
• A Survey on Text-to-SQL Parsing: Concepts, Methods, and Future Directions [102.8606542189429]
  テキストからコーパスへのパースの目的は、自然言語(NL)質問をデータベースが提供するエビデンスに基づいて、対応する構造化クエリ言語()に変換することである。 ディープニューラルネットワークは、入力NL質問から出力クエリへのマッピング関数を自動的に学習するニューラルジェネレーションモデルによって、このタスクを大幅に進歩させた。
  論文  参考訳（メタデータ） (2022-08-29T14:24:13Z)
• Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
  本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。 スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。 我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2022-06-28T14:05:25Z)
• CQR-SQL: Conversational Question Reformulation Enhanced Context-Dependent Text-to-SQL Parsers [35.36754559708944]
  コンテキスト依存型テキスト参照は、マルチターン質問をデータベース関連のクエリに変換するタスクである。 本稿では,CQR-Coupleを提案する。このCQR-Coupleは,CQR学習を用いて,文脈依存のforsql解析を明示的に活用し,分離する。 執筆時点で、我々のCQRカップリングは2つの文脈依存ベンチマークSParCとCoに対して、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-05-16T13:52:42Z)
• Pay More Attention to History: A Context Modeling Strategy for Conversational Text-to-SQL [8.038535788630542]
  会話型テキスト・ツー・ドメインの最も難解な問題の1つは、マルチターンクエリのセマンティクスをモデル化することである。 本稿では,各ターンの追加による意味変化の明示的モデル化とコンテキスト全体の要約により,より優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-12-16T09:41:04Z)
• Weakly Supervised Text-to-SQL Parsing through Question Decomposition [53.22128541030441]
  我々は最近提案されたQDMR(QDMR)という意味表現を活用している。 質問やQDMR構造(非専門家によって注釈付けされたり、自動予測されたりする)、回答が与えられたら、我々は自動的にsqlクエリを合成できる。 本結果は,NL-ベンチマークデータを用いて訓練したモデルと,弱い教師付きモデルが競合することを示す。
  論文  参考訳（メタデータ） (2021-12-12T20:02:42Z)
• SADGA: Structure-Aware Dual Graph Aggregation Network for Text-to-SQL [29.328698264910596]
  Text-to-Graphの最も難しい問題の1つは、トレーニングされたモデルを見えないデータベーススキーマに一般化する方法である。 クロスドメインテキスト・トゥ・グラフのための構造対応デュアルグラフアグリゲーションネットワーク(SADGA)を提案する。 執筆時点では、挑戦的なText-to-GraphベンチマークのSpiderで3位を獲得しました。
  論文  参考訳（メタデータ） (2021-11-01T01:50:28Z)
• 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)

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。