iin729的博客

转自：智能数据分析技术，解锁Excel“对话”新功能Excel 新增对话式智能分析功能作为人们日常办公最重要的工具之一，Excel 功能强大而多样，但许多用户对 Excel 的使用停留在基础的表格制作与存储上，数据分析功能仍然具备一定的专业门槛。基于数据智能领域丰富的研究成果，微软亚洲研究院开发了一个智能数据分析算法 AnnaParser，来提高 Excel 的智能数据分析能力。为了解决新表格实体识别的问题，AnnaParser 首先引入了一个数据抽象模块（data abstraction）来识

Text to SQL综述一、背景二、任务介绍三、数据集四、方法4.1 基于模板和规则4.2 基于Seq2Seq框架4.2.1 编码方法4.2.1.1 Table-aware4.2.1.2 Anonymous Encoding4.2.1.3 GNN4.2.1.4 Relation-Aware Self-Attention4.2.1.5 表格预训练4.2.2 解码方法4.2.2.1 pointer network4.2.2.2 Reinforcement Learn4.2.2.3 Sketch and Mul

ICLR 2021https://openreview.net/forum?id=kyaIeYj4zZ or http://arxiv.org/abs/2009.13845v1文章解读参考：https://blog.csdn.net/qq_42341984/article/details/115734395

在文本到SQL的生成中，输入话语通常包含大量与表中的列名或单元格相关的标记，称为表相关标记，将输入语句中的标记映射到SQL查询中的常量叫做词汇问题。词汇问题可以表述为一个顺序标记问题，称为匿名化，其中输入话语中的每个标记都将被标记为与列名、单元格或无相关。这些与表相关的标记对于下游的神经语义解析器来说是很麻烦的，因为它带来了复杂的语义。如果能在神经语义解析之前减少词法问题，训练难度会大大减轻。原因有两个：第一，通过在神经语义分析器之前匿名化输入话语中的表相关标记，我们可以隐藏表相关标..

原文链接：https://blog.csdn.net/Joycezzz/article/details/109539389一、摘要&总结&未来工作1 摘要设计一个基于模型的智能代理-- decides whether and where human intervention is needed预测语义解析，确定是否需要人工干预以及在何处需要人工干预，并以自然语言生成一个澄清问题。代理的关键部分是一个世界模型：它接受一个感知（一个初始问题或来自用户的后续反馈）并过渡到一个新

转自：https://www.sohu.com/a/241511850_657157文章：Semantic Parsing with Syntax- and Table-Aware SQL Generation作者：Yibo Sun, Duyu Tang, Nan Duan, Jianshu Ji , Guihong Cao , Xiaocheng Feng , Bing Qin, Ting Liu, Ming Zhou会议：ACL 2018本文中，我们以结构化查询语句为例介绍在语义解析

semantic parsing是将一句话映射为结构化的表示。作者采用由粗到细的两阶段生成方法，先生成忽略细节的表示，在将细节填充到之前的表示中。用两级encoder->decoder来实现。第一级decoder出sketch将sketch再编码联合input encoder一起再输出具体的variable细节。优点是分解问题。比一步生成，相对简单。...

对于NL2SQL任务提出了一个新的机制->execution guidance ：对部分生成的sql执行情况为条件，在解码过程中检测并排除故障程序，从而对整个对于生成的sql语句进行纠正。 该机制可与任何自回归生成模型一起使用.基于S2S结构的attention 和 copy机制的生成会fail at generatingsyntactically validqueries 作者的核心思想在于这种sql语句一部分生成以后就可以执行，执行的结果反过来可以引导生成过程示例执行opp...

https://zhuanlan.zhihu.com/p/71955744

转自：https://blog.csdn.net/weixin_47474348/article/details/115938146AbstractBert是对纯文本做的预处理语言模型，而现有的很多数据集是半结构化的，如表格等等。所以文章提出了TaBert模型，这个模型能够学习如何表达文本语句和半结构化的表格。并在WikiTableQuestion和Spider上取得良好的效果。Introduction目前已经出现了一些基于大规模数据预训练的语言模型Bert了，但是对于一些结构化的数

转自：https://zhuanlan.zhihu.com/p/115183832SyntaxSQLNet是第一个专门针对Spider数据集的算法，论文发布在arXiv的时间为2018年10月。这个算法在Spider任务上exact matching的准确率为19.7%，进行数据增强后准确率为27.2%。以下对SyntaxSQLNet进行介绍，参考资料为论文原文[1]及其开源代码[2]。1. 提出问题之前的Text-to-SQL数据集，有的在任务定义上存在不足（如ATIS、GeoQuer

原文链接：https://blog.csdn.net/lizhilikjgcisdgf/article/details/108412794在本文中，我们提出了一种新颖的方法TYPESQL，它将此问题视为插槽填充任务。 另外，TYPESQL利用类型信息更好地理解自然语言问题中的稀有实体和数字.1.输入预处理-类型识别：识别的类型包括数字类（整数、浮点、日期、年份），实体类（人名、地名、国家、结构、体育，基于Freebase的数据利用grams和关键词查询）、表的列明。参考图中最下面的type，每个

转载于https://zhuanlan.zhihu.com/p/79486610这篇文章主要介绍的一种新颖的neural semantic parsing的方法来做code generation，这个特殊设计网络的名字叫Abstract Syntax Network（ASN），是伯克利在2017年的工作。其中有几个亮点：使用了神经网络的方式生成code 使用了一种语法树来限制神经网络只能生成有效的输出。这种语法树是由一种叫Abstract Syntax Description Language（A

SEQ2SQL：使用强化学习将自然语言转为结构化查询语句基本信息标题：SEQ2SQL: GENERATING STRUCTURED QUERIES FROM NATURAL LANGUAGE USING REINFORCEMENT LEARNING会议：CoRR2017.作者：Victor Zhong, Caiming Xiong, Richard Socher链接：https://arxiv.org/abs/1709.00103摘要提出一个深层神经网络模型，用于生成sql：该模型生成一系列