Towards Complex Text-to-SQL in Cross-Domain Database with Intermediate RepresentationSQL in Cross-Domain Database with Intermediate Representation

Jiaqi Guo; Zecheng Zhan; Yan Gao; Yan Xiao; Jian-Guang Lou; Ting Liu; Dongmei Zhang

doi:10.18653/v1/P19-1444

Towards Complex Text-to-SQL in Cross-Domain Database with Intermediate RepresentationSQL in Cross-Domain Database with Intermediate Representation மேல் சிக்கல் Name 表其跨域数据库而致其 SQL

Jiaqi Guo, Zecheng Zhan, Yan Gao, Yan Xiao, Jian-Guang Lou, Ting Liu, Dongmei Zhang

Abstract

We present a neural approach called IRNet for complex and cross-domain Text-to-SQL. IRNet aims to address two challenges : 1) the mismatch between intents expressed in natural language (NL) and the implementation details in SQL ; 2) the challenge in predicting columns caused by the large number of out-of-domain words. Instead of end-to-end synthesizing a SQL query, IRNet decomposes the synthesis process into three phases. In the first phase, IRNet performs a schema linking over a question and a database schema. Then, IRNet adopts a grammar-based neural model to synthesize a SemQL query which is an intermediate representation that we design to bridge NL and SQL. Finally, IRNet deterministically infers a SQL query from the synthesized SemQL query with domain knowledge. On the challenging Text-to-SQL benchmark Spider, IRNet achieves 46.7 % accuracy, obtaining 19.5 % absolute improvement over previous state-of-the-art approaches. At the time of writing, IRNet achieves the first position on the Spider leaderboard.

Abstract

Ons stel 'n neurale toegang genoem IRNet vir kompleks en kruisdomein Teks- na- SQL voor. IRNet doel doel om twee uitdrukkings te adres: 1) die ongeooreenstemming tussen doels uitgevoer in natuurlike taal (NL) en die implementering details in SQL; 2) die uitdrukking in die voorskou van kolomme wat veroorsaak word deur die groot nommer van outdomein woorde. In plaas van einde- na- einde sintetiseer 'n Sql navraag, IRNet ontkoppel die sintetiseerde proses in drie fase. In die eerste fase, IRNet uitvoer 'n skema wat verbind oor 'n vraag en 'n databasis skema. Dan, IRNet aanvaar 'n grammatiese neurale model om 'n SemQL navraag te sintetiseer wat is 'n middelste voorstelling wat ons ontwerp om NL en SQL te brig. Eindelik, IRNet bepaaldelik 'n Sql navraag infeer van die sintetiseerde SemQL navraag met domein kennis. Op die aanvaardige teks-na-SQL-benchmark Spider, IRNet bereik 46.7% waarskynlik, wat 19.5% absoluut verbetering verkry oor vorige staat-van-kuns toekoms. Op die tyd van skryfing, het IRNet die eerste posisie op die Spider leierbord bereik.

Abstract

የኢஆர ነጥብ እና የዶሜን ጽሑፍ-ወደ-SQL የሚባል የኔሩኤል ደረጃ አቀረብናለን፡፡ IRNet aims to address two challenges: 1) the mismatch between intents expressed in natural language (NL) and the implementation details in SQL; 2) ውጭ-ውጭ-ዶሜን ቃላት በሚደረገው ስርዓት ላይ የመቀበል ግንኙነት ነው፡፡ SQL ጠይቋን በመፍጠር ወደ መጨረሻ በመጨረሻ ፋንታ IRNet የSynthesis ፕሮግራሙን ወደ ሦስት ደረጃዎች አሰናክሎታል። በመጀመሪያው ደረጃ ውስጥ IRNet ጥያቄን እና ዳታቤሻ ዘዴን በመጠቀም ይሠራል፡፡ ከዚህም በኋላ IRNet NL እና SQL ለመቀነስ የምናስፈልገውን የመካከለኛ መልዕክት እንዲያስተካክል የግራማ-based የናውሬል ሞዴል ይወስዳል፡፡ በመጨረሻም IRNet ከሴmQL ጉዳዩ ከዶሜን እውቀት ጋር የSQL ጉዳይ በቁጥጥር ያሳስባል፡፡ የጽሑፍ-ወደ-SQL benchmark Spider በተቃወመ ጊዜ IRNet 46.7 በመቶ ትክክለኛነት ያገኛል፡፡ በጽሑፍ ጊዜ IRNet በSpider-board የመጀመሪያ ስፍራን ያገኛል፡፡

Abstract

نقدم نهجًا عصبيًا يسمى IRNet لـ Text-to-SQL المعقدة وعبر المجالات. تهدف IRNet إلى معالجة تحديين: 1) عدم التوافق بين المقاصد المعبر عنها باللغة الطبيعية (NL) وتفاصيل التنفيذ في SQL ؛ 2) التحدي في التنبؤ بالأعمدة الناجم عن العدد الكبير من الكلمات خارج المجال. بدلاً من توليف استعلام SQL من طرف إلى طرف ، تفكك IRNet عملية التوليف إلى ثلاث مراحل. في المرحلة الأولى ، ينفذ IRNet مخطط ربط عبر سؤال ومخطط قاعدة بيانات. بعد ذلك ، تتبنى IRNet نموذجًا عصبيًا قائمًا على القواعد النحوية لتجميع استعلام SemQL وهو تمثيل وسيط نصممه لربط NL و SQL. أخيرًا ، يستنتج IRNet بشكل حاسم استعلام SQL من استعلام SemQL المركب مع معرفة المجال. في اختبار Spider القياسي لتحويل النص إلى SQL ، حققت IRNet دقة بنسبة 46.7٪ ، وحصلت على تحسن مطلق بنسبة 19.5٪ مقارنة بأحدث الأساليب السابقة. في وقت كتابة هذا التقرير ، حققت IRNet المركز الأول في قائمة المتصدرين عنكبوت.

Abstract

Biz kompleks və çox-domain Text-to-SQL üçün IRNet adlı nöral tərzini göstəririk. IRNet iki çətinliklə çəkinmək məqsədilə məcburiyyət edir: 1) təbiətli dil (NL) və SQL dəyişdirilməsi məqsədilə ifadə edilən niyyətlərin arasındakı uyğunluğu; 2) Sütunların böyük səviyyəsi səviyyəsində səviyyəsi yoxdur. SQL query sintezlənməsinin yerinə, IRNet sintez prosesini üç fəzilə parçalayır. İlk fərzində, IRNet bir sual və database schema ilə bağlı bir schema işlədi. Sonra, IRNet, NL və SQL körpüsünü körpüşdürmək üçün bir SemQL query sintezləmək üçün gramatik tabanlı nöral modeli qəbul edir. Sonunda IRNet, domena bilgisi ilə sintezlənmiş SemQL soruşmasından SQL soruşmasını müəyyən edir. Səhmli Metin-to-SQL benchmark Spider barəsində, IRNet 46,7% ədaləti başa düşər, 19,5% əvvəlki sanatın yaxınlıqlarında tamamilə yaxşılaşdırılır. Yazma vaxtında, IRNet Örümcə liderlərinin ilk posisiyasını başa çatdı.

Abstract

Представяме невронен подход, наречен IRNet за комплексен и междудомейнен текст към SQL. Целта на IRNet е да се справи с две предизвикателства: 1) несъответствието между намеренията, изразени на естествен език (Нидерландия), и подробностите за внедряване в SQL; 2) предизвикателството при предвиждането на колони, причинено от големия брой думи извън домейна. Вместо да синтезира заявка от край до край, разлага процеса на синтез на три фази. В първата фаза изпълнява схема, свързваща въпрос и схема на база данни. След това IRNet приема граматически базиран невронен модел за синтезиране на заявка която е междинно представяне, което проектираме за свързване на NL и SQL. И накрая, детерминистично извежда заявка от синтезираната заявка със знание за домейн. На предизвикателния сравнителен показател постига 46,7% точност, като получава 19,5% абсолютно подобрение спрямо предишните най-съвременни подходи. Към момента на писане, IRNet постига първата позиция в класацията на Спайдър.

Abstract

আমরা একটি নিউরেল উপায় উপস্থাপন করছি যার নাম আইআরনেট এবং কমপ্লেক্স এবং ক্রস-ডোমেইন টেক্সট-থেকে SQL নামে নির্ভর করা হয় আইআরনেটের লক্ষ্য হচ্ছে দুটি চ্যালেঞ্জের কথা বলতে: ১) প্রাকৃতিক ভাষায় প্রকাশিত উদ্দেশ্য (এনএল) এবং এসকিউএল-এ প্রকাশিত বিস্ত ২) পূর্ববর্তী কলামের চ্যালেঞ্জের বিরাট সংখ্যা ডোমেইন শব্দের কারণে। একটি SQL অনুসন্ধানের পরিবর্তে শেষ-থেকে শেষ পর্যন্ত সিন্টিসিং প্রক্রিয়াকে তিন ক্ষেত্রে কমিয়ে দেয়। প্রথম পর্যায়ে আইআরনেট একটি প্রশ্ন এবং ডাটাবেস স্কীমার সাথে যুক্ত একটি স্কীমা প্রদর্শন করে। তারপর, আইআরনেট একটি গ্রামার ভিত্তিক নিউরেল মডেল গ্রহণ করে একটি সেমকিউএল প্রশ্নের সাথে একত্রিত করার জন্য, যা হচ্ছে মাঝামাঝি প্রতিনিধিত্ব যা আমরা এনএল Finally, IRNet deterministically infers a SQL query from the synthesized SemQL query with domain knowledge. চ্যালেঞ্জের টেক্সট থেকে SQL বেঞ্চার্ক স্পাইডারে আইআরনেট ৪৬. ৭% সঠিকভাবে অর্জন করে, পূর্ববর্তী শিল্পের ক্ষেত্রে ১৯. লেখার সময় আইআরনেট স্পাইডার নেতৃত্বে প্রথম অবস্থান পেয়েছে।

Abstract

We present a neural approach called IRNet for complex and cross-domain Text-to-SQL. IRNet aims to address two challenges: 1) the mismatch between intents expressed in natural language (NL) and the implementation details in SQL; the 2) the challenge in predicting columns caused by the large number of out-of-domain words. Instead of end-to-end synthesizing a SQL query, IRNet decomposes the synthesis process into three phases. In the first phase, IRNet performs a schema linking over a question and a database schema. Then, IRNet adopts a grammar-based neural model to synthesize a SemQL query which is an intermediate representation that we design to bridge NL and SQL. Finally, IRNet deterministically infers a SQL query from the synthesized SemQL query with domain knowledge. གནད་དོན་དགོས་མིན་པའི་ཡིག་གེ་-SQL benchmark Spider ། IRNet ནི་46.7% ཐད་ནས་ཕར་སྒྲིག་ཚད་ལེན་ཐུབ་པ་དང་། 19.5% སྤྱི་ཚོགས་གྱི་སྔོན་གྱི་གནས་སྟངས་ལ་ཡར་རྒྱས་གཏ ཡིག་འབྲི་དུས་ལ། IRNet་གིས་སྒོ་འཁྱེར་གྱི་གོ་སྒྲོམ་གྱི་གནས་སྟངས་དང་པོ་རྙེད་ཐུབ་ཀྱི་རེད།

Abstract

Predstavljamo neuralni pristup koji se zove IRNet za kompleksno i krstodomene tekst do SQL. IRNet se cilja rješavati dva izazova: 1) nesporazum između namjera izraženih na prirodnom jeziku (NL) i detalja provedbe u SQL-u; 2) izazov u predviđanju kolona uzrokovanih velikim brojem riječi izvan domena. Umjesto sinteziranja SQL-a, IRNet raspoređuje sintezni proces na tri faze. U prvoj fazi, IRNet izvodi šemu koja povezuje pitanje i šemu baze podataka. Onda, IRNet usvoji na gramatičkom neuralnom modelu da sintezira ispitivanje SemQL, koja je međuvremena predstavljanja koju dizajniramo na most NL i SQL. Konačno, IRNet determinično inferira SQL ispitivanje iz sinteziranog SemQL ispitivanja sa znanjem domena. U vezi sa izazovnim stenografijskim paukom teksta do SQL-a, IRNet postiže to čnost 46,7%, dobijući 19,5% apsolutno poboljšanje u prethodnim pristupima stanja umjetnosti. U vrijeme pisanja, IRNet postiže prvu poziciju na vodećoj ploči Paka.

Abstract

Presentam un enfocament neuronal anomenat IRNet per a un text-a-SQL complexe i transdomínic. IRNet té l'objectiu d'abordar dos reptes: 1) el desequilibri entre les intencions expresses en llenguatge natural (NL) i els detalls d'implementació en SQL; 2) el repte de predir columnes causat pel gran nombre de paraules fora de domini. En comptes de sintetitzar una pregunta SQL, IRNet descomposa el procés de síntesi en tres fases. En la primera fase, IRNet fa un esquema que vincula sobre una pregunta i una base de dades. Llavors, IRNet adopta un model neural basat en gramàtica per sintetitzar una pregunta SemQL que és una representació intermediària que dissenyem per pontar NL i SQL. Finally, IRNet deterministically infers a SQL query from the synthesized SemQL query with domain knowledge. En el difícil punt de referència Text-to-SQL Spider, IRNet aconsegueix una precisió del 46,7%, obtenint una millora absoluta del 19,5% sobre els enfocaments més avançats anteriors. En el moment de l'escriptura, IRNet aconsegui la primera posició en la taula de líder d'Aranya.

Abstract

Představujeme neuronový přístup IRNet pro komplexní a cross-domain Text-to-SQL. IRNet si klade za cíl řešit dvě výzvy: 1) nesoulad mezi záměry vyjádřenými v přirozeném jazyce (NL) a podrobnostmi implementace v SQL; 2) výzva při predikci sloupců způsobená velkým počtem mimo doménu slov. Místo komplexní syntetizace SQL dotazu IRNet rozloží proces syntézy do tří fází. V první fázi IRNet provádí schéma propojení přes otázku a databázové schéma. Následně IRNet přijímá neuronový model založený na gramatice pro syntetizaci SemQL dotazu, což je mezipředstavení, které navrhujeme pro překlenování NL a SQL. Nakonec IRNet deterministicky odvozuje SQL dotaz ze syntetizovaného SemQL dotazu se znalostmi domény. Na náročném Text-to-SQL benchmarku Spider dosahuje IRNet 46,7% přesnosti a získává 19,5% absolutní zlepšení oproti předchozím moderním přístupům. V době psaní IRNet dosahuje první pozice na žebříčku Spider.

Abstract

Vi præsenterer en neural tilgang kaldet IRNet for kompleks og tværgående tekst-til-SQL. IRNet har til formål at løse to udfordringer: 1) uoverensstemmelsen mellem hensigter udtrykt i naturligt sprog (NL) og implementeringsdetaljerne i SQL; 2) udfordringen i at forudsige kolonner forårsaget af det store antal ord uden for domænet. I stedet for end-to-end synthesis en SQL-forespørgsel, IRNet nedbryder synteseprocessen i tre faser. I første fase udfører IRNet et skema, der linker over et spørgsmål og et databaseskema. Derefter vedtager IRNet en grammatisk baseret neural model til at syntetisere en SemQL-forespørgsel, som er en mellemliggende repræsentation, som vi designer til at bygge bro over NL og SQL. Endelig udleder IRNet deterministisk en SQL-forespørgsel fra den syntetiserede SemQL-forespørgsel med domænenavn. På den udfordrende Text-to-SQL benchmark Spider opnår IRNet 46,7% nøjagtighed og opnår 19,5% absolut forbedring i forhold til tidligere state-of-the-art tilgange. På skrivetidspunktet opnår IRNet den første position på Spider leaderboard.

Abstract

Wir präsentieren einen neuronalen Ansatz namens IRNet für komplexe und domänenübergreifende Text-to-SQL. IRNet zielt darauf ab, zwei Herausforderungen anzugehen: 1) die Diskrepanz zwischen Intentionen in natürlicher Sprache (NL) und den Implementierungsdetails in SQL; 2) die Herausforderung bei der Vorhersage von Spalten, die durch die große Anzahl von Wörtern außerhalb der Domäne verursacht werden. Anstatt eine SQL-Abfrage durchgängig zu synthetisieren, zerlegt IRNet den Syntheseprozess in drei Phasen. In der ersten Phase führt IRNet eine Schema-Verknüpfung über eine Frage und ein Datenbankschema durch. Dann verwendet IRNet ein grammatikbasiertes neuronales Modell, um eine SemQL-Abfrage zu synthetisieren, eine Zwischendarstellung, die wir entwerfen, um NL und SQL zu überbrücken. Schließlich leitet IRNet deterministisch eine SQL-Abfrage aus der synthetisierten SemQL-Abfrage mit Domänenwissen ab. Auf dem anspruchsvollen Text-to-SQL Benchmark Spider erreicht IRNet 46,7% Genauigkeit und erzielt 19,5% absolute Verbesserung gegenüber bisherigen State-of-the-Art Ansätzen. Zum Zeitpunkt des Schreibens erreicht IRNet die erste Position in der Spider-Bestenliste.

Abstract

Παρουσιάζουμε μια νευρωνική προσέγγιση που ονομάζεται IRNet για σύνθετο κείμενο-σε-SQL. Το IRNet στοχεύει στην αντιμετώπιση δύο προκλήσεων: 1) την αναντιστοιχία μεταξύ των προθέσεων που εκφράζονται στη φυσική γλώσσα (NL) και των λεπτομερειών εφαρμογής στο SQL· 2) η πρόκληση στην πρόβλεψη στηλών που προκαλείται από τον μεγάλο αριθμό λέξεων εκτός πεδίου. Αντί να συνθέτει ένα ερώτημα από τέλος σε τέλος, το αναλύει τη διαδικασία σύνθεσης σε τρεις φάσεις. Στην πρώτη φάση, το εκτελεί μια σύνδεση σχήματος μέσω μιας ερώτησης και ενός σχήματος βάσης δεδομένων. Στη συνέχεια, το IRNet υιοθετεί ένα γραμματικό-βασισμένο νευρωνικό μοντέλο για να συνθέσει ένα ερώτημα το οποίο είναι μια ενδιάμεση αναπαράσταση που σχεδιάζουμε για να γεφυρώσει NL και SQL. Τέλος, το IRNet συμπεραίνει deterministisch ένα ερώτημα από το συνθετικό ερώτημα με γνώσεις τομέα. Στο δύσκολο σημείο αναφοράς Spider, το IRNet επιτυγχάνει 46,7% ακρίβεια, επιτυγχάνοντας 19,5% απόλυτη βελτίωση έναντι προηγούμενων προσεγγίσεων τελευταίας τεχνολογίας. Κατά τη στιγμή της συγγραφής, το IRNet επιτυγχάνει την πρώτη θέση στον πίνακα κατάταξης αράχνης.

Abstract

Presentamos un enfoque neuronal llamado IRNet para texto a SQL complejo y entre dominios. IRNet tiene como objetivo abordar dos desafíos: 1) el desajuste entre las intenciones expresadas en lenguaje natural (NL) y los detalles de implementación en SQL; 2) el desafío de predecir columnas causado por la gran cantidad de palabras fuera del dominio. En lugar de sintetizar de extremo a extremo una consulta SQL, IRNet descompone el proceso de síntesis en tres fases. En la primera fase, IRNet realiza un esquema que enlaza una pregunta y un esquema de base de datos. Luego, IRNet adopta un modelo neuronal basado en gramática para sintetizar una consulta SemQL, que es una representación intermedia que diseñamos para unir NL y SQL. Finalmente, IRNet deduce de forma determinista una consulta SQL a partir de la consulta SemQL sintetizada con conocimiento del dominio. En el desafiante punto de referencia de texto a SQL Spider, IRNet logra una precisión del 46,7%, obteniendo una mejora absoluta del 19,5% con respecto a los enfoques de vanguardia anteriores. En el momento de escribir este artículo, IRNet alcanza la primera posición en la clasificación de Spider.

Abstract

Esitleme neuraalset lähenemisviisi, mida nimetatakse IRNet keeruliseks ja valdkondadevaheliseks Text-to-SQL-iks. IRNeti eesmärk on lahendada kaks probleemi: 1) looduskeeles väljendatud kavatsuste ja SQL-i rakendamise üksikasjade ebakõla; 2) väljakutse veergude prognoosimisel, mille põhjustab domeeniväliste sõnade suur arv. SQL-päringu sünteesimise asemel lagundab IRNet sünteesiprotsessi kolmeks faasiks. Esimeses etapis teostab IRNet skeemi, mis seob küsimuse ja andmebaasi skeemi. Seejärel võtab IRNet kasutusele grammatikapõhise närvimudeli, et sünteesida SemQL päring, mis on vahepealne esitus, mille me kavandame NL ja SQL ühendamiseks. Lõpuks järeldab IRNet deterministlikult SQL päringu sünteesitud SemQL päringust domeeniteadmistega. Keerulise Text-to-SQL võrdlusaluse Spider puhul saavutab IRNet 46,7% täpsuse, saavutades 19,5% absoluutse paranemise võrreldes varasemate kaasaegsete lähenemisviisidega. Kirjutamise ajal saavutab IRNet esimese koha Spider edetabelis.

Abstract

ما یک روش عصبی را به نام IRNet برای متن پیچیده و متصل دامنی به SQL نشان می دهیم. IRNet هدف دارد دو چالش را حل کند: ۱) تفاوت بین هدف‌هایی که در زبان طبیعی (NL) و جزئیات عملیات در SQL استفاده می‌کنند، و 2) چالش در پیش‌بینی ستون‌های زیادی از کلمات غیر از حوزه‌ها. به جای ساختن یک سوال SQL به پایان پایان، IRNet فرایند سازی را در سه فاصله تقسیم می‌کند. در مرحله اول، IRNet یک برنامه مرتبط به یک سوال و یک برنامه داده‌های داده‌base انجام می‌دهد. سپس IRNet یک مدل عصبی بر اساس گرامی برای ترکیب یک سوال SemQL که یک نمایش بین‌المللی است که ما طراحی می‌کنیم تا پل NL و SQL را بسازیم. بالاخره، IRNet به طور deterministic، یک سوال SQL را از سوال SemQL متصل با دانش دامنی آلوده می کند. روی عنکبوت متن به SQL سخت‌گیری، IRNet دقیقات 46.7 درصد را می‌رساند، که 19.5 درصد بهترین کامل در مورد نزدیک‌های وضعیت هنر پیشین می‌رسد. در زمان نوشتن، IRNet اولین موقعیت روی رهبر عنکبوت رسیده است.

Abstract

Esittelemme IRNet-nimisen neurolähestymistavan monimutkaiseen ja monialaiseen Text-to-SQL-prosessiin. IRNet pyrkii vastaamaan kahteen haasteeseen: 1) luonnollisella kielellä ilmaistujen aikomusten ja SQL:n toteutuksen yksityiskohtien välinen epäsuhta; 2) Haaste sarakkeiden ennustamisessa, joka johtuu verkkotunnuksen ulkopuolisten sanojen suuresta määrästä. Sen sijaan, että IRNet syntetisoi SQL-kyselyn päästä päähän, se hajottaa synteesiprosessin kolmeen vaiheeseen. Ensimmäisessä vaiheessa IRNet suorittaa kysymyksen ja tietokantakaavion yhdistävän kaavion. Tämän jälkeen IRNet ottaa käyttöön kielioppipohjaisen neuromallin SemQL-kyselyn syntetisoimiseksi, joka on väliaikainen esitys, jonka suunnittelemme yhdistämään NL:n ja SQL:n. Lopuksi IRNet päättelee deterministisesti SQL-kyselyn syntetisoidusta SemQL-kyselystä verkkotunnustiedolla. Haastavassa Text-to-SQL-benchmark Spiderissä IRNet saavuttaa 46,7%:n tarkkuuden ja 19,5%:n absoluuttisen parannuksen aiempiin viimeisimpiin lähestymistapoihin verrattuna. Kirjoitushetkellä IRNet saavuttaa ensimmäisen sijan Spider tulostaulukossa.

Abstract

Nous présentons une approche neuronale appelée IRnet pour le text-to-SQL complexe et interdomaine. IRnet vise à relever deux défis : 1) l'inadéquation entre les intentions exprimées en langage naturel (NL) et les détails de mise en œuvre en SQL ; 2) le défi de la prédiction des colonnes causé par le grand nombre de mots hors domaine. Au lieu de synthétiser de bout en bout une requête SQL, IRnet décompose le processus de synthèse en trois phases. Dans la première phase, IRnet établit un lien de schéma sur une question et un schéma de base de données. Ensuite, IRnet adopte un modèle neuronal basé sur la grammaire pour synthétiser une requête SemQL qui est une représentation intermédiaire que nous concevons pour relier NL et SQL. Enfin, IRnet déduit de manière déterministe une requête SQL à partir de la requête semQL synthétisée avec connaissance du domaine. Sur le banc d'essai Spider text-to-SQL difficile, IRnet atteint une précision de 46,7 %, obtenant une amélioration absolue de 19,5 % par rapport aux approches de pointe précédentes. Au moment de la rédaction de cet article, IRnet occupe la première place du classement Spider.

Abstract

Cuirimid cur chuige néarach i láthair ar a dtugtar IRNet le haghaidh Téacs-go-SQL casta agus tras-fearainn. Tá sé mar aidhm ag IRNet aghaidh a thabhairt ar dhá dhúshlán: 1) an neamhréir idir na hintinn a chuirtear in iúl i dteanga nádúrtha (NL) agus na sonraí feidhmiúcháin in SQL; 2) an dúshlán a bhaineann le colúin a thuar de bharr líon mór na bhfocal as-réimse. In ionad ceist SQL a shintéisiú ó cheann go ceann, díscaoileann IRNet an próiseas sintéise i dtrí chéim. Sa chéad chéim, déanann IRNet scéimre a nascann thar cheist agus scéimre bunachar sonraí. Ansin, glacann IRNet samhail néareolaíoch atá bunaithe ar ghramadach chun ceist SemQL a shintéisiú, ar léiriú idirmheánach é atá deartha againn chun NL agus SQL a dhroicheadú. Ar deireadh, baineann IRNet go cinntitheach ceist SQL ón gceist SemQL sintéiseithe le heolas fearainn. Maidir leis an Spider tagarmharcála Téacs-go-SQL dúshlánach, baineann IRNet amach cruinneas 46.7%, ag fáil feabhas iomlán 19.5% ar chur chuige úrscothach roimhe seo. Agus é seo á scríobh, baineann IRNet amach an chéad áit ar chlár ceannairí Spider.

Abstract

Tuna halatar da wata hanyor neural wanda ake kiran IRNet wa masu husũma da mai sauran matsayin-zuwa-SQL. @ info: whatsthis 2) mai zartar da cikin layuka na gabatar da yawan magana masu cire-na-Domen. Instead of end-to-end synthesizing a SQL query, IRNet decomposes the synthesis process into three phases. Daga fasa na farko, IRNet na tafiyar da wata ƙayyade wanda ke haɗa kan wani tambayi da tsarin maɓalli. Sa'an nan, IRNet yana zãɓi wata misãla mai grammar-based neural dõmin ya haɗa wani surya na SemQL wanda ke da wata tsakanin tsakanin masĩfa da Muke designar su sami NL da SQL. Na ƙarami, IRNet yana zartar da wani matsayi na SQL daga tambayin SemQL da aka haɗa shi da ilmi. On the shangamin Text-to-SQL HangMan Mai girma, IRNet yana sãmun 46.7% na daidaita, kuma yana da asilimin 19.5 cikakken gyãra bisa tsarin-state-of-the-art. Ga lokacin da aka rubũta, IRNet yana sãmun na farkon wurin a kan shaidar Yũsufu.

Abstract

אנחנו מציגים גישה עצבית שנקראת IRNet עבור טקסט-ל-SQL מורכב וחצוי שטח. IRNet מטרה להתמודד עם שני אתגרים: 1) אי-התאמה בין הכוונות המובילות בשפה טבעית (NL) ופרטים ההפעלה בסQL; 2) האתגר בחזוי עמודים שנגרם ע"י מספר גדול של מילים מחוץ לתחום. במקום לסינטזיה סוף-סוף בקשה SQL, IRNet מפרק את תהליך הסינטזיה לשלושה שלבים. בשלב הראשון, IRNet מבצע רשימה שקשורה על שאלה ומסד נתונים. ואז, IRNet מאמץ מודל עצבי מבוסס על גרמטיקה כדי לסינטז שאלה SemQL שהיא מייצג בינוני שאנחנו מעצבים כדי לגשר NL ו SQL. סוף סוף, IRNet מסכם בדוקטוריסטית שאלה SQL מהשאלה הסינטזיזת SemQL עם ידע שטח. על המיקום המתאגר טקסט-ל-SQL ספיידר, IRNet משיג מדויק 46.7%, להשיג שיפור מוחלט 19.5% על גישות מוקדמות קודמות. בזמן הכתיבה, IRNet מגיע לעמדה הראשונה על לוח המנהיגה של עכביש.

Abstract

हम जटिल और क्रॉस-डोमेन टेक्स्ट-टू-एसक्यूएल के लिए IRNet नामक एक तंत्रिका दृष्टिकोण प्रस्तुत करते हैं। IRNet का उद्देश्य दो चुनौतियों को संबोधित करना है: 1) प्राकृतिक भाषा (एनएल) में व्यक्त किए गए इरादों और एसक्यूएल में कार्यान्वयन विवरण के बीच बेमेल; 2) आउट-ऑफ-डोमेन शब्दों की बड़ी संख्या के कारण कॉलम की भविष्यवाणी करने में चुनौती। एक SQL क्वेरी को संश्लेषित करने के लिए एंड-टू-एंड के बजाय, IRNet संश्लेषण प्रक्रिया को तीन चरणों में विघटित करता है। पहले चरण में, IRNet एक प्रश्न और डेटाबेस स्कीमा पर लिंक करने वाली स्कीमा निष्पादित करता है। फिर, IRNet एक SemQL क्वेरी को संश्लेषित करने के लिए एक व्याकरण-आधारित तंत्रिका मॉडल को अपनाता है जो एक मध्यवर्ती प्रतिनिधित्व है जिसे हम एनएल और एसक्यूएल को पुल करने के लिए डिज़ाइन करते हैं। अंत में, IRNet नियतात्मक रूप से डोमेन ज्ञान के साथ संश्लेषित SemQL क्वेरी से एक SQL क्वेरी का अनुमान लगाता है। चुनौतीपूर्ण टेक्स्ट-टू-एसक्यूएल बेंचमार्क स्पाइडर पर, IRNet 46.7% सटीकता प्राप्त करता है, जो पिछले अत्याधुनिक दृष्टिकोणों की तुलना में 19.5% पूर्ण सुधार प्राप्त करता है। लेखन के समय, IRNet स्पाइडर लीडरबोर्ड पर पहला स्थान प्राप्त करता है।

Abstract

Predstavljamo neuralni pristup koji se zove IRNet za kompleksno i krstodomene tekst do SQL. IRNet se cilja riješiti dva izazova: 1) nesporazum između namjera izraženih na prirodnom jeziku (NL) i detalja provedbe u SQL-u; 2) izazov u predviđanju kolona uzrokovanih velikim brojem riječi izvan domena. Umjesto sinteziranja SQL ispitivanja do kraja, IRNet raspoređuje proces sinteze na tri faze. U prvoj fazi, IRNet izvodi šemu povezanim s pitanjem i šemom baze podataka. Zatim, IRNet usvoji na gramatičkom neuralnom modelu za sinteziranje ispitivanja SemQL-a koja je prosječna predstavljanja koju dizajniramo na most NL i SQL-a. Konačno, IRNet determinično inferira SQL ispitivanje iz sinteziranog SemQL ispitivanja s znanjem domena. U okviru izazovnog pauka za stenografiju teksta do SQL-a, IRNet postiže to čnost 46,7 posto, dobijući apsolutno poboljšanje 19,5 posto zbog prethodnih pristupa umjetnosti. U vrijeme pisanja, IRNet postiže prvu poziciju na vodećoj ploči Paka.

Abstract

Bemutatjuk az IRNet nevű neurális megközelítést komplex és cross-domain Text-to-SQL számára. Az IRNet két kihívást kíván megoldani: 1) a természetes nyelven (NL) kifejezett szándékok és az SQL-ben megvalósított részletek közötti eltérés; 2) az oszlopok előrejelzésének kihívása, amelyet a domain kívüli szavak nagy száma okoz. Az IRNet az SQL lekérdezések végpontos szintetizálása helyett a szintézisfolyamatot három fázisra bontja. Az első fázisban az IRNet sémát végez egy kérdés és egy adatbázis séma fölött. Ezután az IRNet egy nyelvtani alapú neurális modellt alkalmaz egy SemQL lekérdezés szintetizálására, amely egy közbenső reprezentáció, amelyet az NL és az SQL áthidalására tervezünk. Végül az IRNet determinisztikusan következtet egy SQL lekérdezést a szintetizált SemQL lekérdezésből tartomány ismeretekkel. A kihívást jelentő Text-to-SQL benchmark Spider-en az IRNet 46,7%-os pontosságot ér el, és 19,5%-os abszolút javulást ér el a korábbi korszerű megközelítésekhez képest. Az írás idején az IRNet eléri az első pozíciót a Spider ranglistán.

Abstract

Մենք ներկայացնում ենք մի նյարդային մոտեցում, որը կոչվում է «ԻՌՆԹ» բարդ և միջոցային տեքստի-սQL համար: ԻՌՆԹ-ի նպատակն է լուծել երկու մարտահրավեր: 1) բնական լեզվով արտահայտված մտքերի և SQL-ի իրականացման մանրամասների միջև տարբերությունը, 2) սյունների կանխատեսման մարտահրավերը, որոնք առաջացել են արտաքին բառերի մեծ քանակի պատճառով: SQL հարցի սինթեզի փոխարեն, IDNet-ը բաժանում է սինթեզի գործընթացը երեք փուլում: Առաջին փուլում, ԻՌՆԹ-ը կատարում է մի սխեմա, որը կապում է հարց և բազա տվյալների սխեմա: Այնուհետև, ԻՌՆԹ-ն ընդունում է գրաֆիկական հիմնված նյարդային մոդել, որպեսզի սինթեզվի SEMQL հարցը, որը միջին ներկայացում է, որը մենք ստեղծում ենք ՆԼ-ի և SQL-ի կապերի համար: Finally, IRNet deterministically infers a SQL query from the synthesized SemQL query with domain knowledge. Խնդիչ տեքստի-սQL հարաբերականի վրա, ԻՌՆԹ-ը հասնում է 46.7 տոկոսի ճշգրտությունը, ստանում 19.5 տոկոսի բացարձակ բարելավում նախորդ բարձրագույն մոտեցումների համեմատ: Գրելու ժամանակ, ԻՌՆԹ-ը հասնում է Spider-ի առաջին դիրքը:

Abstract

Kami mempersembahkan pendekatan saraf bernama IRNet untuk teks-ke-SQL kompleks dan cross-domain. IRNet bermaksud untuk mengatasi dua tantangan: 1) ketidakcocokan antara niat yang diungkapkan dalam bahasa alam (NL) dan rincian implementasi dalam SQL; 2) tantangan dalam memprediksi kolom disebabkan oleh jumlah besar kata-kata luar domain. Daripada sintesis pertanyaan SQL dari akhir ke akhir, IRNet menghancurkan proses sintesis menjadi tiga fasa. Dalam fase pertama, IRNet melakukan skema yang menghubungkan sebuah pertanyaan dan skema database. Then, IRNet adopts a grammar-based neural model to synthesize a SemQL query which is an intermediate representation that we design to bridge NL and SQL. Akhirnya, IRNet menentukan pertanyaan SQL dari pertanyaan SemQL yang disintesis dengan pengetahuan domain. Pada benchmark teks-ke-SQL menantang Spider, IRNet mencapai akurasi 46,7%, mendapatkan 19,5% peningkatan mutlak atas pendekatan terakhir. Saat menulis, IRNet mencapai posisi pertama di papan utama Spider.

Abstract

Presentiamo un approccio neurale chiamato IRNet per il complesso e cross-domain Text-to-SQL. IRNet mira ad affrontare due sfide: 1) il disallineamento tra gli intenti espressi in linguaggio naturale (NL) e i dettagli di implementazione in SQL; 2) la sfida nella previsione delle colonne causata dal gran numero di parole fuori dominio. Invece di sintetizzare end-to-end una query SQL, IRNet scompone il processo di sintesi in tre fasi. Nella prima fase, IRNet esegue uno schema di collegamento su una domanda e uno schema di database. Poi, IRNet adotta un modello neurale basato sulla grammatica per sintetizzare una query SemQL che è una rappresentazione intermedia che progettiamo per collegare NL e SQL. Infine, IRNet deduce deterministicamente una query SQL dalla query SemQL sintetizzata con conoscenza del dominio. Sull'impegnativo benchmark Text-to-SQL Spider, IRNet raggiunge una precisione del 46,7%, ottenendo un miglioramento assoluto del 19,5% rispetto ai precedenti approcci all'avanguardia. Al momento della scrittura, IRNet raggiunge la prima posizione nella classifica Spider.

Abstract

複雑でクロスドメインなText - to - SQLのためのIRNetと呼ばれるニューラルアプローチを提示している。 IRNetは、1)自然言語(NL)で表現されたインテントとSQLでの実装の詳細との不一致、2)ドメイン外の単語が多いことによる列の予測の課題という2つの課題に対処することを目的としている。 SQLクエリをエンドツーエンドで合成する代わりに、IRNetは合成プロセスを3つのフェーズに分解します。第1段階では、IRNetは質問とデータベーススキーマにリンクするスキーマを実行します。そして、IRNetは文法ベースのニューラルモデルを採用し、NLとSQLを橋渡しするために設計された中間表現であるSemQLクエリを合成します。最後に、IRNetは、合成されたSemQLクエリからドメイン知識を持つSQLクエリを決定論的に推論します。厳しいText - to - SQLベンチマークのSpiderでは、IRNetは46.7 ％の精度を達成し、従来の最先端のアプローチよりも19.5 ％の絶対的な改善を得ています。執筆時点で、IRNetはSpiderランキングで1位を獲得しています。

Abstract

We nyingi nduwe sistem sing nyebute IRnet kanggo kelas komplikasi lan krus-domain Text-to-sqL. IRnet iku saben nggawe durung ujaran: 1) ora bisa langgar wigatining pasar pawaran (NL) lan akeh operasi terus nang sqL; kuwi alam dhéwé 2) the shock in preview column generated by the big number of out-of-domain words. Taning Name Amarok Ulihke, IRnet detectically beners a sqL query from the Simplified semqL query with domain knownMonitor vendor OptionGroup Nang ora pisan, IRnet iso dianggo kuwi banjur sing seperakan nang daftar spiner.

Abstract

ჩვენ გაჩვენებთ ნეიროლური პროგრამა, რომელიც IRNet-ის კომპლექსი და კრესომინური ტექსტის შესახებ SQL-ზე. IRNet მიზეზია ორი წინასწორება: 1) მიზეზიანების განსხვავება, რომლებიც სახელსაწარო ენაში (NL) და SQL-ში განსხვავებული განსხვავება; 2) ძალიან დიდი სიტყვების რაოდენობით, რომლებიც არსებული დომინის სიტყვების გამოსახულება. SQL კითხვის სინტესტიზების გარეშე IRNet სინტესტის პროცესის სამი ფაზებში გადაწყენება. პირველი ფაზაში IRNet სქემას, რომელიც კითხვის და ბაზის სქემაზე დაკავშირებულია. შემდეგ IRNet დავწყება გრამატური ნეირალური მოდელს, რომელიც SemQL კითხვის სინტეზიზაციას, რომელიც საშუალური გამოსახულება, რომელიც ჩვენ დავწყებთ NL და SQL-ს ბრძანებას საბოლოოდ, IRNet განსაზღვრებულად SQL კითხვის სინტეზიზიზებული SemQL კითხვის დემომინის უცნობით ინფორმაცია. შესაძლებელი ტექსტის შესაძლებელი SQL ბენქმარკური ოიდერზე IRNet მიიღება 46,7% სიმართლეში, 19,5% აბსოლუტური შესაძლებელება წინაღალდეგის შესაძლებელებაზე. პირველი პოზიცია პირველი პოზიციაზე პირველი პოზიცია.

Abstract

Біз комплекс және қарсы доменге мәтін- мен SQL деген IRNet деп аталатын невралдық тәртібін келтіреміз. IRNet екі мәселелерді шешуге мақсат береді: 1) табиғи тілінде (NL) және SQL істеу егжей- тегжейлері арасындағы сәйкес келмейді; 2) Доменден тыс сөздердің үлкен саны болатын бағандарды таңдау үшін мәселесі. SQL сұранысты синтазизациялау орнына, IRNet синтазизациялау процесін үш қадамдастыру орнына. Бірінші қадамда, IRNet сұрақ мен деректер қорының сұлбасы бойынша сұлбасын орындайды. Содан кейін, IRNet грамматты негіздеген невралдық моделі, SemQL сұранысын синтезализациялау үшін, NL және SQL көмегімен құрастырып жатқан орташалық кескіндерді қолданады. Соңында, IRNet домен білімімен синтазияланған SemQL сұраныстың SQL сұранысын анықтайды. Мәтін- мен SQL бақылау белгісінің Спидерінде IRNet 46, 7% дұрыс жеткізеді, 19, 5% абсолютті жақсарту алдыңғы жағдайдың күйіне келеді. Жазу кезінде, IRNet Спайдер лидердің алғашқы орналасуын жеткізеді.

Abstract

복잡한 도메인 간 텍스트를 SQL로 변환하는 데 사용되는 IRNet이라는 신경 네트워크 방법을 제시했습니다.IRNet은 두 가지 도전을 해결하기 위한 것이다. 1) 자연언어(NL)가 표현한 의도와 SQL 실현의 세부 사항 간의 일치하지 않는 것;2) 대량의 역외 단어가 예측열의 도전을 초래했다.IRNet은 SQL 질의를 끝에서 끝까지 작성하는 대신 작성 프로세스를 3단계로 분해합니다.1단계에서 IRNet은 문제 및 데이터베이스 모드를 통해 모드 링크를 실행합니다.그 다음에 IRNet은 문법 기반의 신경 모델을 이용하여 SemQL 조회를 합성하는데 이것은 우리가 디자인한 연결 NL과 SQL의 중간 표시이다.마지막으로 IRNet은 분야 지식을 가진 종합적인SemQL 조회에서 SQL 조회를 확정적으로 추정했다.IRNet은 도전적인 텍스트에서 SQL 기준 테스트인 Spider에 이르기까지 46.7%의 정확도를 실현해 이전의 가장 선진적인 방법에 비해 19.5%의 절대적인 개선을 얻었다.IRNet은 본문을 작성할 때 스파이더 차트에서 1위를 차지했다.

Abstract

Mes pristatome nervinį požiūrį, vadinamą IRNet kompleksiniam ir tarpdomeniniam tekstui į SQL. IRNet tikslas – spręsti du uždavinius: 1) neatitiktis tarp tikslų, išreikštų natūralia kalba (NL), ir įgyvendinimo detalių SQL; 2) iššūkį prognozuoti stulpelius, kuriuos sukelia didelis išorinių žodžių skaičius. Užuot sintezavusi SQL paklausą nuo galo iki galo, IRNet suskaičiuoja sintezės procesą į tris etapus. Pirmuoju etapu IRNet vykdo schemą, susijusį su klausimu ir duomenų bazės schema. Tada IRNet priima gramatiniu būdu pagrįstą neurologinį model į, kad sintezuotų SemQL klausimą, kuris yra tarpinis atstovavimas, kurį mes sukonstruojame siekiant tilti NL ir SQL. Galiausiai IRNet nustato SQL klausimą iš sintetinio SemQL klausimo su domeno žiniomis. Atsižvelgiant į sudėtingą teksto–SQL standartą Spider, IRNet pasiekia 46,7 % tikslumą ir 19,5 % absoliučiai pagerėja, palyginti su ankstesniais pažangiausiais metodais. Rašymo metu IRNet užima pirmąją poziciją Spider'o lyderio lentoje.

Abstract

Презентираме нервен пристап наречен ИРНЕТ за комплексен и крстодомен текст до SQL. ИРНЕТ има за цел да ги реши двата предизвици: 1) несогласувањето помеѓу намерите изразени на природен јазик (НЛ) и деталите за спроведување во СКЛ; 2) предизвикот во предвидувањето на колоните предизвикан од големиот број зборови надвор од доменот. Наместо да се синтезира SQL прашање од крај до крај, IRNet го разделува процесот на синтеза во три фази. Во првата фаза, IRNet извршува шема поврзана со прашање и шема на база на податоци. Потоа, ИРНЕТ усвои граматичен нервен модел за синтезирање на SemQL прашање кое е меѓувреме претставување кое го дизајнираме за мостот на NL и SQL. Конечно, IRNet дефинистички инферира SQL прашање од синтезираното SemQL прашање со знаење на доменот. Во врска со предизвикувачката референтна оценка Текст-СQL Спајдер, ИРНет постигна прецизност од 46,7 отсто, добивајќи апсолутно подобрување од 19,5 отсто во однос на претходните најнови пристапи. Во времето на пишувањето, ИРНет ја постигна првата позиција на водечката табла на Пајакот.

Abstract

നമ്മള്‍ ഐആര്‍നെറ്റ് എന്നിരിക്കുന്ന ഒരു പുരുഷനിരീക്ഷണം കാണിച്ചുകൊണ്ടിരിക്കുന്നു. ക്രസ്സിക്കുന്ന ഐആര്‍നെറ്റിന്റെ ലക്ഷ്യം രണ്ടു വിലാസങ്ങളെ വിശദീകരിക്കുവാന്‍: 1) സ്വാഭാവിക ഭാഷയില്‍ പ്രസ്താവിക്കുന്ന ഉദ്ദേശങ്ങള്‍ക്കും 2) പുറത്തിരിക്കുന്ന വാക്കുകള്‍ കൊണ്ടുണ്ടാക്കിയിരിക്കുന്ന നിരകളിലുള്ള വ്യാല്‍വെല്ലുകള്‍. SQL ചോദ്യം അവസാനിക്കുന്നതിനു പകരം IRNet സിന്‍തീസ് പ്രക്രിയയെ മൂന്നു പ്രയോഗത്തിലേക്ക് മാറ്റുന്നു. ആദ്യത്തെ ഫേസില്‍, ഒരു ചോദ്യത്തിനും ഒരു ഡാറ്റാബേസ് സ്കീമായിലും ബന്ധപ്പെടുന്ന സ്കീമാ പ്രവര്‍ത്തിപ്പിക്ക പിന്നെ IRNet ഒരു ഗ്രാമാര്‍ അടിസ്ഥാനത്തുള്ള നെയുറല്‍ മോഡല്‍ എടുക്കുന്നു. സെഎംക്യൂഎല്‍ ചോദ്യം സങ്കീര്‍പ്പിക്കുന്നതിനായി അത് നമ്മള്‍ NL അവസാനം, ഐആര്‍നെറ്റ് ഡൊമെയിന്‍ അറിവുമുള്ള ഒരു SQL ചോദ്യം നിര്‍ണ്ണയിക്കുന്നു. On the challenging Text-to-SQL benchmark Spider, IRNet achieves 46.7% accuracy, obtaining 19.5% absolute improvement over previous state-of-the-art approaches. എഴുതുന്ന സമയത്ത്, ഐആര്‍നെറ്റ് സ്പൈഡര്‍ നേതാവിന്റെ ആദ്യത്തെ സ്ഥാനം എത്തും.

Abstract

Бид IRNet гэдэг мэдрэлийн ойлголт комплекс болон хязгаарлагдсан Текст-ээс SQL гэж нэрлэдэг. IRNet хоёр сорилтыг удирдах зорилго: 1) байгалийн хэл (NL) болон SQL дахь шийдвэрлэлтийн нарийвчлалуудын хоорондын хоорондын хоорондын хоорондын хоорондын хоорондын хоорондын хоорондын хоорондын 2) Холбоотой хэмжээний хэмжээний олон үгнээс шаардлагатай багануудыг таамаглах зорилго. SQL квадратыг төгсгөл-төгсгөлийн оронд IRNet синтезийн процессийг гурван этаж хувааж байна. Эхний шатанд IRNet асуулт болон өгөгдлийн сангийн схема дээр холбоотой схема хийдэг. Ингээд IRNet нь грамматик суурилсан мэдрэлийн загварыг SemQL квадратыг нэгтгэх боломжтой болгодог. Энэ бол NL болон SQL квадратуудын тусламжтай төлөвлөгөө юм. Эцэст нь IRNet нь холбооны мэдлэгтэй Синтезийн SemQL квадратын SQL квадратыг тодорхойлж өгдөг. Мэдээлэл-ээс SQL-ээс хамгийн шаардлагатай салбарын тухай IRNet 46.7% зөв байдал гарч ирнэ. Өмнөх урлагийн байдал дээр 19.5% бүрэн сайжруулалт гарч ирнэ. Бичих үед, IRNet нь Суйдарын удирдагч буудалд анхны байрлал гаргадаг.

Abstract

Kami memperkenalkan pendekatan saraf bernama IRNet untuk teks-ke-SQL kompleks dan cross-domain. IRNet bertujuan untuk mengatasi dua cabaran: 1) ketidakpadanan antara niat yang diungkapkan dalam bahasa semulajadi (NL) dan perincian pelaksanaan dalam SQL; 2) cabaran dalam ramalan lajur disebabkan oleh bilangan besar perkataan luar domain. Daripada mengintesis pertanyaan SQL akhir-akhir, IRNet pecahkan proses sintesis ke tiga fasa. Dalam fasa pertama, IRNet melaksanakan skema yang menghubungkan atas soalan dan skema pangkalan data. Kemudian, IRNet mengadopsi model saraf berdasarkan gramatik untuk sintesis pertanyaan SemQL yang merupakan perwakilan sementara yang kita reka untuk jembatan NL dan SQL. Finally, IRNet deterministically infers a SQL query from the synthesized SemQL query with domain knowledge. Pada tanda rujukan Teks-ke-SQL yang menantang Spider, IRNet mencapai akurasi 46.7%, mencapai peningkatan mutlak 19.5% daripada pendekatan terakhir. Pada masa menulis, IRNet mencapai posisi pertama di papan utama Spider.

Abstract

Aħna nippreżentaw approċċ newrali msejjaħ IRNet għal test għal SQL kumpless u transdomestiku. L-IRNet għandha l-għan li tindirizza żewġ sfidi: 1) id-diskrepanza bejn l-intenzjonijiet espressi fil-lingwa naturali (NL) u d-dettalji tal-implimentazzjoni fl-SQL; 2) l-isfida fit-tbassir tal-kolonni kkawżata mill-għadd kbir ta’ kliem barra d-dominju. Minflok sintetizza mistoqsija SQL minn tarf sa tarf, IRNet tiddekomponi l-proċess ta’ sintesi fi tliet fażijiet. Fl-ewwel fażi, l-IRNet twettaq skema li torbot fuq mistoqsija u skema ta’ bażi ta’ dejta. Imbagħad, l-IRNet tadotta mudell newrali bbażat fuq il-gramma biex issinteżizza mistoqsija SemQL li hija rappreżentanza intermedja li niddisinjaw biex niggwidaw NL u SQL. Fl-a ħħar nett, l-IRNet tiddetermina mistoqsija SQL mill-mistoqsija sintetizzata SemQL bl-għarfien tad-dominju. Fir-rigward tal-punt ta’ riferiment tat-Test għall-SQL ta’ sfida Spider, l-IRNet tikseb preċiżjoni ta’ 46.7%, u tikseb titjib assolut ta’ 19.5% fuq l-approċċi l-aktar avvanzati preċedenti. Fiż-żmien tal-kitba, l-IRNet tikseb l-ewwel pożizzjoni fuq it-tabella ewlenija Spider.

Abstract

We presenteren een neurale benadering genaamd IRNet voor complexe en domeinoverschrijdende Text-to-SQL. IRNet wil twee uitdagingen aanpakken: 1) de mismatch tussen intenties in natuurlijke taal (NL) en de implementatiedetails in SQL; 2) de uitdaging bij het voorspellen van kolommen veroorzaakt door het grote aantal out-of-domain woorden. In plaats van een end-to-end-synthese van een SQL-query, splitst IRNet het syntheseproces op in drie fasen. In de eerste fase voert IRNet een schema-koppeling uit over een vraag en een databaseschema. Vervolgens maakt IRNet gebruik van een grammatica-gebaseerd neuraal model om een SemQL query te synthetiseren, een intermediaire representatie die we ontwerpen om NL en SQL te overbruggen. Ten slotte leidt IRNet deterministisch een SQL query af van de gesynthetiseerde SemQL query met domeinkennis. Op de uitdagende Text-to-SQL benchmark Spider bereikt IRNet 46,7% nauwkeurigheid en behaalt 19,5% absolute verbetering ten opzichte van eerdere state-of-the-art benaderingen. Op het moment van schrijven behaalt IRNet de eerste positie op het Spider leaderboard.

Abstract

Vi presenterer eit neuraltilnærming kalla IRNet for kompleks og krysdomenetekst til SQL. IRNet mål å adressa to utfordringar: 1) ikkje samsvar mellom utfordringar uttrykt i naturspråk (NL) og implementeringsdetaljane i SQL; 2) utfordringen i forhåndsvising av kolonner som er forårsaket av stor antall ord som ikkje er domenet. I staden for å syntisera ein SQL- spørjing, vil IRNet dekomprimera syntetiseringsprosessen i tre fasar. I den første fasen utfører IRNet eit skjema som lenkjer over eit spørsmål og eit databaseskjema. Så, IRNet adopterer eit grammatisk neuralmodell for å syntisera eit semiQL- spørjing som er ein middels representasjon vi design for å bridge NL og SQL. Etter slutt, IRNet definerer ein SQL- spørjing frå det syntiserte SemQL- spørjinga med domenekunnskap. På vanskeleg tekst-til-SQL-benchmarkspader, oppnår IRNet 46,7% nøyaktighet, og hentar 19,5% absolutt forbedring over tidlegare tilnærmingar av kunsten. Når du skriv, oppnår IRNet den første posisjonen på Spider-lederbord.

Abstract

Przedstawiamy podejście neuronowe o nazwie IRNet dla złożonego i międzynarodowego Text-to-SQL. IRNet ma na celu rozwiązanie dwóch wyzwań: 1) niezgodności między intencjami wyrażonymi w języku naturalnym (NL) a szczegółami wdrożenia w SQL; 2) wyzwanie w przewidywaniu kolumn spowodowane dużą liczbą słów poza domeną. Zamiast kompleksowej syntezy zapytania SQL, IRNet rozkłada proces syntezy na trzy fazy. W pierwszej fazie IRNet wykonuje łączenie schematu z pytaniem i schematem bazy danych. Następnie IRNet przyjmuje oparty na gramatyce model neuronowy do syntezy zapytania SemQL, które jest pośrednią reprezentacją, którą projektujemy, aby połączyć NL i SQL. Wreszcie IRNet deterministycznie wnioskuje zapytanie SQL ze syntetyzowanego zapytania SemQL ze znajomością domeny. W wymagającym porównaniu tekstu do SQL Spider, IRNet osiąga dokładność 46,7% uzyskując 19,5% absolutną poprawę w porównaniu z poprzednimi najnowocześniejszymi podejściami. W momencie pisania IRNet osiąga pierwszą pozycję na liście Spider.

Abstract

Apresentamos uma abordagem neural chamada IRNet para Text-to-SQL complexo e de domínio cruzado. O IRNet visa enfrentar dois desafios: 1) o descompasso entre as intenções expressas em linguagem natural (NL) e os detalhes de implementação em SQL; 2) o desafio em prever colunas causado pelo grande número de palavras fora de domínio. Em vez de sintetizar de ponta a ponta uma consulta SQL, o IRNet decompõe o processo de síntese em três fases. Na primeira fase, o IRNet realiza um esquema ligando uma pergunta e um esquema de banco de dados. Então, IRNet adota um modelo neural baseado em gramática para sintetizar uma consulta SemQL que é uma representação intermediária que projetamos para conectar NL e SQL. Finalmente, o IRNet infere deterministicamente uma consulta SQL a partir da consulta SemQL sintetizada com conhecimento de domínio. No desafiador benchmark de Text-to-SQL Spider, o IRNet atinge 46,7% de precisão, obtendo 19,5% de melhoria absoluta em relação às abordagens de última geração anteriores. No momento da redação deste artigo, a IRNet alcança a primeira posição na tabela de classificação do Spider.

Abstract

Vă prezentăm o abordare neurală numită IRNet pentru text-to-SQL complex și cross-domain. IRNet își propune să abordeze două provocări: 1) neconcordanța dintre intențiile exprimate în limbaj natural (NL) și detaliile implementării în SQL; 2) provocarea în predicția coloanelor cauzată de numărul mare de cuvinte din afara domeniului. În loc să sintetizeze end-to-end o interogare SQL, IRNet descompune procesul de sinteză în trei faze. În prima fază, IRNet efectuează o schemă de legătură peste o întrebare și o schemă de bază de date. Apoi, IRNet adoptă un model neural bazat pe gramatică pentru sintetizarea unei interogări SemQL, care este o reprezentare intermediară pe care o proiectăm pentru a face legătura dintre NL și SQL. În cele din urmă, IRNet deduce determinist o interogare SQL din interogarea SemQL sintetizată cu cunoștințe de domeniu. Pe baza criteriului de referință provocator Text-to-SQL Spider, IRNet atinge o precizie de 46,7%, obținând o îmbunătățire absolută de 19,5% față de abordările anterioare de ultimă generație. În momentul scrierii, IRNet obține prima poziție în clasamentul Spider.

Abstract

Мы представляем нейронный подход под названием IRNet для сложного и междоменного Text-to-SQL. IRNet стремится решить две проблемы: 1) несоответствие между намерениями, выраженными на естественном языке (NL), и деталями реализации в SQL; 2) проблема в прогнозировании столбцов, вызванная большим количеством внедоменных слов. Вместо сквозного синтеза SQL-запроса, IRNet декомпозирует процесс синтеза на три фазы. На первом этапе IRNet выполняет схему, связывающую вопрос и схему базы данных. Затем IRNet принимает грамматическую нейронную модель для синтеза запроса SemQL, который является промежуточным представлением, которое мы создаем для моста NL и SQL. Наконец, IRNet детерминированно выводит SQL-запрос из синтезированного SemQL-запроса со знанием домена. По сравнению с предыдущими передовыми подходами, IRNet достигает 46,7% точности, достигая абсолютного улучшения на 19,5%. На момент написания статьи IRNet занимает первое место в списке лидеров Spider.

Abstract

අපි IRNet කියපු නිර්මාණ ප්‍රවේශයක් පෙන්වන්නේ සංකෘතිය සහ ප්‍රවේශ පාළුවක් SQL වලට. IRNet ලක්ෂණයෙන් ප්‍රශ්නයක් දෙකක් ප්‍රශ්නයක් කරන්න: 1) ස්වභාවික භාෂාව (NL) සහ SQL වලින් ප්‍රශ්නයක් විස්තර කරන 2) ප්‍රශ්නයක් ප්‍රශ්නයක් වෙනුවෙන් ප්‍රශ්නයක් තියෙන්නේ ස්තම්පය ප්‍රශ්නයක්. SQL ප්‍රශ්නයක් සම්පූර්ණය කරන්න සඳහා ඉවරයෙන් ඉවරයෙන් ඉවරයෙන් ඉවරයෙන් ඉවරයෙන් ඉවරයි පළමු පද්ධතියෙන්, IRNet ප්‍රශ්නයක් සහ දත්ත ස්කීමා වලට සම්බන්ධ වෙන්න ස්කීමා කරනවා. ඊට පස්සේ, IRNet ග්‍රාමාර්ක් අධාරිත න්‍යූරල් මොඩල් එකක් අනුවෙන්නේ සෙම්කුල් ප්‍රශ්නයක් සංවිධානය කරන්න, ඒක තමයි අපි NL ස අන්තිමේදී, IRNet නිර්දේශයෙන්ම SQL ප්‍රශ්නයක් සම්ප්‍රශ්නයක් දේමින් දන්නවත් සඳහා සම්ප්‍රශ්නය සඳහ ප්‍රශ්ණ පාළුවෙන් SQL බෙන්ච්මාර්ක් ස්පායිඩර් වලින්, IRNet එක 46.7% හරියතාවක් ලැබෙනවා, 19.5% ප්‍රශ්ණ ප්‍රශ්ණතාවක් ලැබෙනවා පසුගි ලියන්න වෙලාවේ IRNet එකේ ස්පායිඩර් පාලකයේ පළමු ස්ථානය ලැබෙනවා.

Abstract

Predstavljamo nevronski pristop imenovan IRNet za kompleksno in meddomensko besedilo v SQL. Cilj mreže IRNet je obravnavati dva izziva: 1) neskladje med nameri, izraženimi v naravnem jeziku (NL), in podrobnostmi o izvajanju v SQL; 2) izziv pri napovedovanju stolpcev, ki ga povzroča veliko število izvendomenskih besed. Namesto celovitega sinteziranja poizvedbe SQL IRNet razgradi proces sinteze v tri faze. V prvi fazi IRNet izvede shemo, ki povezuje vprašanje in shemo zbirke podatkov. Nato IRNet sprejme slovnični nevronski model za sintetizacijo poizvedbe SemQL, ki je vmesna predstavitev, ki jo oblikujemo za povezovanje NL in SQL. Končno IRNet deterministično sklepa poizvedbo SQL iz sintetizirane poizvedbe SemQL z domenskim znanjem. Pri zahtevni referenčni vrednosti Text-to-SQL Spider IRNet doseže 46,7% natančnost in 19,5% absolutno izboljšanje v primerjavi s prejšnjimi najsodobnejšimi pristopi. V času pisanja IRNet doseže prvo mesto na Spider lestvici.

Abstract

Waxaynu keenaynaa qaab cilmi ah oo la yidhaahdo IRNet oo ku saabsan dhibaato iyo iskuul-hoose text-to-SQL. IRNet waxaa loola jeedaa in uu ku hadlo laba dhibaato: 1) u baahdo isku xiriirka qoraalka afka asalka ah (NL) iyo qoraalka lagu soo dejinayo SQL; 2) dhibaatada ka hor dhigashada iskuullada uu soo jeeday hadalo badan oo aan aheyn. Isku xiriirka SQL ee dhammaadka ugu dambeeya, IRNet wuxuu koobnaa koorasyada synthesis u bedelaa saddex fasax. Fasaxa kowaad IRNet wuxuu sameeyaa saemaad ku xiran su'aal iyo sawirada database. Markaas, IRNet wuxuu qaadaa model neural oo ku saleysan grammar si uu u wada dhigo query SemQL, kaas oo ah mid u dhexdhexeeya representation a an u qorno in aynu ku sameyno NL iyo SQL. Ugu dambaysta, IRNet wuxuu si gaar ah u qabsadaa SQL warqad laga qoro qoraalka SemQL oo la xiriira aqoonta domain. Dalka dhibaatada leh ee Text-to-SQL benchmark Spider, IRNet wuxuu gaadhaa 46.7% sax ah, wuxuuna heli karaa 19.5% hagaajinta dhamaantooda oo ka horeeyay xaalada farshaxanka. Marka la qoro, IRNet wuxuu gaadhaa meeshii ugu horeysa ee ku yaala hogaamiyaha Spiriteerka.

Abstract

Ne paraqesim një qasje nervore të quajtur IRNet për tekst-në-SQL kompleks dhe transdomenik. IRNet synon të trajtojë dy sfida: 1) mospërputhje midis qëllimeve të shprehura në gjuhën natyrore (NL) dhe detajeve të zbatimit në SQL; 2) sfida në parashikimin e kolonave shkaktuar nga numri i madh i fjalëve jashtë domenisë. Në vend të sintetizimit të një pyetjeje SQL nga fundi në fund, IRNet shkatërron procesin e sintetizimit në tre faza. Në fazën e parë, IRNet kryen një skemë që lidh mbi një pyetje dhe një skemë të bazës së dhënave. Pastaj, IRNet miraton një model nervor të bazuar në gramatikë për të sintetizuar një pyetje SemQL që është një përfaqësim i ndërmjetësuar që ne dizajnojmë për të kaluar NL dhe SQL. Më në fund, IRNet përfundon në mënyrë përcaktuese një pyetje SQL nga pyetja e sintetizuar SemQL me njohuri domain. Në standartin e sfidueshëm Text-to-SQL Spider, IRNet arrin saktësinë 46.7%, duke marrë 19.5% përmirësim absolut ndaj qasjeve të mëparshme më të larta. Në kohën e shkrimit, IRNet arrin pozitën e parë në bordin kryesor të Merimangës.

Abstract

Predstavljamo neuralni pristup koji se zove IRNet za kompleksno i krstodomene tekst do SQL. IRNet se cilja riješiti dva izazova: 1) nesporazum između namjera izraženih na prirodnom jeziku (NL) i detalja provedbe u SQL-u; 2) izazov u predviđanju kolona uzrokovanog velikim brojem riječi iz domena. Umesto sinteziranja SQL-a, IRNet raspoređuje sintezni proces na tri faze. U prvoj fazi, IRNet izvodi šemu koja povezuje pitanje i šemu baze podataka. Zatim, IRNet usvoji na gramatičkom neuralnom modelu da sintetizira ispitivanje SemQL, koja je međuvremena predstavljanja koju dizajniramo na most NL i SQL. Konačno, IRNet deterministički inficira SQL ispitivanje iz sinteziranog SemQL ispitivanja sa znanjem domena. U vezi izazovnog testa-do-SQL benchmarknog pauka, IRNet postiže 46,7% tačnost, dobijući 19,5% apsolutnog poboljšanja pri prethodnim pristupima umetnosti. U vreme pisanja, IRNet postiže prvu poziciju na vodećoj ploči Paka.

Abstract

Vi presenterar ett neuralt tillvägagångssätt som kallas IRNet för komplex och cross-domain text-to-SQL. IRNet syftar till att ta itu med två utmaningar: 1) bristande överensstämmelse mellan avsikter uttryckta i naturligt språk (NL) och genomförandedetaljer i SQL. 2) utmaningen att förutsäga kolumner orsakad av det stora antalet ord utanför domänen. Istället för att från början till slut syntetisera en SQL-fråga, bryter IRNet upp syntesprocessen i tre faser. I den första fasen utför IRNet en schemalänkning över en fråga och ett databasschema. Sedan antar IRNet en grammatisk baserad neural modell för att syntetisera en SemQL-fråga som är en mellanliggande representation som vi designar för att överbrygga NL och SQL. Slutligen härleder IRNet deterministiskt en SQL-fråga från den syntetiserade SemQL-frågan med domänkunskap. IRNet uppnår 46,7% noggrannhet på det utmanande benchmarket Text-to-SQL Spider och uppnår 19,5% absolut förbättring jämfört med tidigare toppmoderna metoder. I skrivande stund uppnår IRNet den första positionen på Spider leaderboard.

Abstract

Tunaonyesha mbinu za kisasa zinazoitwa IRNet kwa ajili ya matangazo na kuvuka kwa ujumbe wa maandishi na SQL. IRNet inakusudia kukabiliana na changamoto mbili: 1) kutokupingana na malengo yaliyoelezwa kwa lugha asili (NL) na maelezo ya utekelezaji katika SQL; 2) changamoto katika kutabiri safu zilizosababishwa na idadi kubwa ya maneno yasiyo ya ndani. Badala ya kuunganisha maswali ya SQL ya mwisho, IRNet inazuia mchakato wa synthesis katika hatua tatu. Katika hatua ya kwanza, IRNet inafanya ramani inayounganisha swali na mpango wa database. Kisha, IRNet inachukua muundo wa neura anayeishi kwenye karatasi ili kuunganisha swali la SemQL ambalo ni uwakilishi wa kati ambao tunalenga kuunganisha NL na SQL. Mwisho, IRNet imeshambulia utafiti wa SQL kutoka swali la SemQL lililojumuishwa kwa pamoja na maarifa ya domain. Kuhusu changamoto ya MSpidera wa Bendera ya Uandishi wa Mataifa na SQL, IRNet inapata asilimia 46.7 ya uhakika, na kupata maendeleo ya asilimia 19.5 kwa kiasi kikubwa zaidi ya mbinu za hali ya sanaa iliyopita. Wakati wa kuandika, IRNet inafanikiwa nafasi ya kwanza kwenye kiongozi wa Spider.

Abstract

நாம் சிக்கல் மற்றும் கிடைக்கும் களம் உரையில் இருந்து SQL என்று பெயர் IRNet என்ற ஒரு புதிய அணுகும் செயலை காண் IRNet இரண்டு சவால்களை விளையாடுவதற்கு எதிர்பார்க்கிறது: 1) இயற்கையான மொழி (NL) மற்றும் SQL விவரங்களில் செயல்படுத்தும் விவரங் 2) மிகப்பெரிய தளம் வார்த்தைகளின் எண்ணிக்கையால் முன் நெடுவரிசைகளில் சவால் SQL கேள்விக்கு முடிவுக்கு பதிலாக, IRNet synthesis process decomposes the synthesis process into three phases. முதல் நிலையில், IRNet ஒரு கேள்வி மற்றும் ஒரு தரவுத்தளத்தின் முறைமையில் இணைக்கப்பட்ட முறைமையை செய்கிறது. பின்னர், IRNet ஒரு சிம்க்யூஎல் கேள்வியை ஒத்திசைப்படுத்துவதற்கு ஒரு வரைப்படமான புதிய மாதிரி எடுத்துக் கொள்கிறது, அது நாம் NL மற்றும் SQL பி இறுதியாக, IRNet தீர்மானித்தால் ஒரு SQL கேள்வியை குறைக்கிறது, செம்QL கேள்வியிலிருந்து களம் அறிவுடன் கேட்கிறது. சவால் உரையில் இருந்து SQL பெங்குரும் சிறுவர்களில், ஐஆர்நெட் 46. 7% சரியாக பெறுகிறது, முந்தைய கலை முறைமைகளில் 19. 5% முழுமையான முன்னேற்றத எழுதும் நேரத்தில், ஐஆர்நெட்டு சிப்டர் தலைப்புபலகையில் முதல் நிலையை பெறுகிறது.

Abstract

Biz karmaşık ve karmaşık domain Metin-to-SQL için IRNet denilen neiral yaklaşımı sunuyoruz. IRNet iki kynçylyk çözmegi amaçlaýar: 1) tebigy dilde aýrylan maksadlaryň (NL) we SQL içindeki implementasiýa maglumatlaryň arasynda ýerleşmäge maksady; we 2) Sütunlar önlemek üçin kynçylyk. Bu sütünler başga bir sütün sözleri tarapyndan gelendir. SQL soragy sintezleştirmek yerine IRNet sintez prosesini üç fazlara çykar. Ilkinji faýlda IRNet soragy we veritabansiz şemasyny üstünde bir sahypa işleýär. Sonra IRNet, gramatik tabanlı bir neural modelini SemQL sorgulaması için, NL ve SQL köprüsüne tasarladığımız ortalama temsilcisidir. Sonunda IRNet, domain bilgisi ile sintezleştirilmiş SemQL sorgularından SQL sorgulamasını kesinlikle infektir. Sözlenen Metin we SQL etiketli örümcekinde IRNet 46.7% dogrylygyny ýetip barýar, 19.5% öňki sanat yaklaşyklarynyň üstünde kesinlikle gelişmesi bolup başarmady. Ýaz wagtynda, IRNet örümçilik zolakynyň ilkinji ýerini ýetip bilýär.

Abstract

ہم ایک نئورل طریقہ پیش کرتے ہیں جو IRNet کا نام پیچیدہ اور کرس ڈومین متن سے SQL کے لئے ہے. IRNet کا ارادہ دو چالوں کے بارے میں ہے: 1) طبیعی زبان (NL) اور SQL میں عملومات کی جزئیات کے درمیان غلط مطابق ہے۔ 2) ستونوں کی پیش بینی میں چلنا ہے جن کی بہت بڑی تعداد دومین کلمات کی وجہ سے ہوتی ہے۔ ایک SQL کوئر کی سینسٹیزی کرنے کے بدلے، IRNet نے سینسٹیزی پروسس کو تین فاز میں تقسیم کیا ہے. پہلی مرحلہ میں، IRNet ایک سوال اور ڈیٹائیس سکیما پر ایک سیم کرتا ہے۔ اس کے بعد IRNet نے ایک گراماری بنیادی نیورال موڈل کو سمکQL کوئریز بنانے کے لئے قبول کرتا ہے جو ہم NL اور SQL کے برابر طراحی کرتے ہیں. بالآخر، IRNet نے ڈومین علم کے ساتھ سینٹیز سیمQL کوئٹر سے ایک SQL کوئٹر کے ذریعہ مضبوط کر دیا ہے. اچانک ٹیکسٹ سے SQL بنچممارک اسپیڈر پر IRNet 46.7% دقیق پہنچتا ہے، 19.5% بالکل تحقیق پہنچتا ہے جو پہلے آرٹ کی حالت میں پہنچتی ہے۔ لکھنے کے وقت، IRNet اسپیڈر لیدربورد پر پہلی موقعیت پہنچتا ہے.

Abstract

Biz murakkab va cross-domen matn- to-SQL uchun IRNet nomli neyron usulni hozir qilamiz. Name 2) Domen soʻzlarining katta soni koʻrsatilgan ustunlarning qiymati. Name Birinchi darajada IRNet savol va maʼlumot bazasi qolipi bilan bogʻliq qolipini bajaradi. Then, IRNet adopts a grammar-based neural model to synthesize a SemQL query which is an intermediate representation that we design to bridge NL and SQL. Oxirgi, IRNet domen maʼlumoti bilan birlashtirilgan SemQL soʻrovida SQL soʻrovini aniqlaydi. Name Yozish vaqtida IRNet Spider boshqaruvchidagi birinchi joyni topadi.

Abstract

Chúng tôi giới thiệu một phương pháp thần kinh gọi là IRNet cho phức tạp và kiểm soát văn bản-SQL. IRNet muốn giải quyết hai thử thách: 1) sự không phù hợp giữa kích thước phát ra bằng ngôn ngữ tự nhiên 2) thử thách trong việc dự đoán các cột gây ra bởi một số lượng lớn các từ ngoài miền. Thay vì kết thúc tổng hợp yêu cầu SQL, IRNet phân hủy tiến trình tổng hợp thành ba giai đoạn. Trong giai đoạn đầu, IRNet thực hiện âm mưu liên kết với các câu hỏi và hệ thống dữ liệu. Sau đó, IRNet sử dụng một mô hình thần kinh dựa trên chính tả ngữ pháp để tổng hợp một yêu cầu SemQL. Đó là một mô phỏng trung tâm mà chúng tôi thiết kế để kết nối với thẻ quốc gia và mã SQL. Cuối cùng, IRNet xui xẻo một yêu cầu SQL từ câu hỏi kết hợp SemQL với kiến thức miền. Trên tiêu chuẩn khó xác định « Văn bản tới SQL » Người Nhện, IRNet đạt được độ chính xác 46.7=.=.=)) hoàn to àn hơn các phương pháp hiện đại trước đó. Vào thời điểm viết, IRNet đạt được vị trí đầu tiên lên bảng Người Nhện.

Abstract

建IRNet之神经法,杂跨域之文本于SQL。 IRNet意在两挑战:1)自然语言(NL)意与SQL中细节不相匹。 2)占以外单词列挑战。 IRNet 非端到端 SQL 询之,分而为三。在第一阶段,IRNet 行架构链接于数据库架构。然后IRNet合之于语法神经以成SemQL,此吾所以为桥接NLSQL之间也。最后,IRNet 因域知识从合成者 SemQL 询确定性推 SQL 。挑战性之文本SQL准试Spider上,IRNet成46.7%之准确率,先进之法得19.5%之绝。撰本文,IRNet第一Spider排行榜。

Anthology ID:: P19-1444
Volume:: Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics
Month:: July
Year:: 2019
Address:: Florence, Italy
Venue:: ACL
SIG:
Publisher:: Association for Computational Linguistics
Note:
Pages:: 4524–4535
Language:
URL:: https://aclanthology.org/P19-1444
DOI:: 10.18653/v1/P19-1444
Bibkey:
Cite (ACL):: Jiaqi Guo, Zecheng Zhan, Yan Gao, Yan Xiao, Jian-Guang Lou, Ting Liu, and Dongmei Zhang. 2019. Towards Complex Text-to-SQL in Cross-Domain Database with Intermediate RepresentationSQL in Cross-Domain Database with Intermediate Representation. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages 4524–4535, Florence, Italy. Association for Computational Linguistics.
Cite (Informal):: Towards Complex Text-to-SQL in Cross-Domain Database with Intermediate RepresentationSQL in Cross-Domain Database with Intermediate Representation (Guo et al., ACL 2019)
Copy Citation:
PDF:: https://aclanthology.org/P19-1444.pdf
Supplementary:: P19-1444.Supplementary.pdf
Code: zhanzecheng/IRNet + additional community code
Data: WikiSQL
Terminologies:

PDF Cite Search Code Translate Supplementary