CQR-SQL: 对话式问题重构增强的上下文相关 Text-to-SQL 解析器
计算与语言
2023-01-31 v3
摘要
上下文相关的 Text-to-SQL 任务是将多轮对话问题翻译成数据库相关的 SQL 查询。现有方法通常侧重于充分利用历史上下文或先前预测的 SQL 来进行当前的 SQL 解析，而忽略了显式理解模式和对话依赖性，例如共指、省略和用户焦点变化。在本文中，我们提出了 CQR-SQL，它使用辅助的对话式问题重构学习来显式利用模式并解耦上下文依赖性以进行 SQL 解析。具体来说，我们首先提出了一种模式增强的递归 CQR 方法，以生成与领域相关的自包含问题。其次，我们通过模式基础一致性任务和树结构 SQL 解析一致性任务，训练 CQR-SQL 模型将多轮对话问题和辅助自包含问题的语义映射到相同的潜在空间，这通过充分的上下文理解增强了 SQL 解析的能力。在撰写本文时，我们的 CQR-SQL 在两个上下文相关的 Text-to-SQL 基准测试 SParC 和 CoSQL 上取得了新的最先进结果。
引用
@article{arxiv.2205.07686,
title = {CQR-SQL: Conversational Question Reformulation Enhanced Context-Dependent Text-to-SQL Parsers},
author = {Dongling Xiao and Linzheng Chai and Qian-Wen Zhang and Zhao Yan and Zhoujun Li and Yunbo Cao},
journal= {arXiv preprint arXiv:2205.07686},
year = {2023}
}
备注
Accepted at EMNLP 2022 (findings)