論文の概要: SPORTSQL: An Interactive System for Real-Time Sports Reasoning and Visualization

• arxiv url: http://arxiv.org/abs/2508.17157v1
• Date: Sat, 23 Aug 2025 22:51:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.373859
• Title: SPORTSQL: An Interactive System for Real-Time Sports Reasoning and Visualization
• Title（参考訳）: SportSQL:リアルタイムスポーツ推論と可視化のためのインタラクティブシステム
• Authors: Sebastian Martinez, Naman Ahuja, Fenil Bardoliya, Chris Bryan, Vivek Gupta,
• Abstract要約: 動的スポーツデータの自然言語クエリと可視化のためのモジュール型インタラクティブシステムであるSPORTSQLを提案する。 このシステムは,リアルタイム・ファンタシー・プレミアリーグ(FPL)データから構築した実時間インデックスデータベース上で,ユーザ質問を実行可能sqlに変換する。 私たちのデモでは、非専門家のユーザが、自然な会話インターフェースを通じて、スポーツ統計の進化をシームレスに探求する方法について強調した。
• 参考スコア（独自算出の注目度）: 12.362221067340641
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a modular, interactive system, SPORTSQL, for natural language querying and visualization of dynamic sports data, with a focus on the English Premier League (EPL). The system translates user questions into executable SQL over a live, temporally indexed database constructed from real-time Fantasy Premier League (FPL) data. It supports both tabular and visual outputs, leveraging the symbolic reasoning capabilities of Large Language Models (LLMs) for query parsing, schema linking, and visualization selection. To evaluate system performance, we introduce the Dynamic Sport Question Answering benchmark (DSQABENCH), comprising 1,700+ queries annotated with SQL programs, gold answers, and database snapshots. Our demo highlights how non-expert users can seamlessly explore evolving sports statistics through a natural, conversational interface.
• Abstract（参考訳）: 本稿では,英語プレミアリーグ(EPL)を中心に,動的スポーツデータの自然言語クエリと可視化のためのモジュール型インタラクティブシステムであるSPORTSQLを提案する。 このシステムは、リアルタイム・ファンタシー・プレミアリーグ(FPL)のデータから構築されたリアルタイムの時間インデックスデータベース上で、ユーザ質問を実行可能なSQLに変換する。 グラフ出力とビジュアル出力の両方をサポートし、クエリ解析、スキーマリンク、視覚化選択にLLM(Large Language Models)のシンボリック推論機能を利用する。 システム性能を評価するために,SQLプログラム,ゴールド回答,データベーススナップショットを付加した1,700以上のクエリからなるDynamic Sport Question Answering benchmark (DSQABENCH)を導入する。 私たちのデモでは、非専門家のユーザが、自然な会話インターフェースを通じて、スポーツ統計の進化をシームレスに探求する方法について強調した。

関連論文リスト

• A Survey of Large Language Model-Based Generative AI for Text-to-SQL: Benchmarks, Applications, Use Cases, and Challenges [0.7889270818022226]
  自然言語クエリを構造化クエリ言語(技術)に変換することで,データベースとのスムーズな対話を容易にする この調査は、AI駆動のテキスト・ツー・ワンシステムの進化の概要を提供する。 医療、教育、金融といった分野におけるテキスト・ツー・ワンの適用について検討する。
  論文  参考訳（メタデータ） (2024-12-06T17:36:28Z)
• E-SQL: Direct Schema Linking via Question Enrichment in Text-to-SQL [1.187832944550453]
  E-Seekは、直接スキーマリンクと候補述語拡張を通じてこれらの課題に対処するように設計された、新しいパイプラインである。 E-Seekは、関連するデータベース項目(テーブル、列、値)と条件を直接質問とsql構築計画に組み込むことで、自然言語クエリを強化し、クエリとデータベース構造の間のギャップを埋める。 総合的な評価は、E-Seekが競争性能、特に66.29%の実行精度で複雑なクエリに優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-25T09:02:48Z)
• Demo: Soccer Information Retrieval via Natural Queries using SoccerRAG [42.095162323265676]
  SoccerRAGはRetrieval Augmented Generation(RAG)とLarge Language Models(LLM)のパワーを活用するために設計された革新的なフレームワークである。 マルチモーダルデータセットを利用することで、動的クエリと自動データバリデーションをサポートする。 コア機能を取り巻くChainlitフレームワークに基づいた,インタラクティブなユーザインターフェース(UI)を新たに提案する。
  論文  参考訳（メタデータ） (2024-06-03T12:48:38Z)
• 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)
• XRICL: Cross-lingual Retrieval-Augmented In-Context Learning for Cross-lingual Text-to-SQL Semantic Parsing [70.40401197026925]
  大規模言語モデルを用いたインコンテキスト学習は、最近セマンティック解析タスクの驚くべき結果を示している。 この研究は、あるクエリに対して関連する英語の例を検索する学習を行うXRICLフレームワークを導入している。 また、大規模言語モデルの翻訳プロセスを容易にするために、対象言語に対するグローバルな翻訳例も含んでいる。
  論文  参考訳（メタデータ） (2022-10-25T01:33:49Z)
• 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)
• 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)
• "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)
• GraPPa: Grammar-Augmented Pre-Training for Table Semantic Parsing [117.98107557103877]
  テーブルセマンティック解析のための効果的な事前学習手法GraPPaを提案する。 我々は、同期文脈自由文法を用いて、高自由度テーブル上に合成質問ペアを構築する。 実世界のデータを表現できるモデルの能力を維持するため、マスキング言語モデリングも含んでいる。
  論文  参考訳（メタデータ） (2020-09-29T08:17:58Z)

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。