面向多轮文本到 SQL 的解耦对话建模与语义解析
计算与语言
2021-06-10 v2
摘要
近来，面向多轮对话的文本到 SQL 引起了极大兴趣。在此任务中，给定所有先前的对话历史，将当前轮的用户输入解析为相应数据库对应的 SQL 查询。当前方法大多采用端到端模型，因而面临两个挑战。首先，对话历史建模与文本到 SQL 解析被隐式结合，难以进行可解释分析并有针对性地改进。其次，多轮对话的 SQL 标注非常昂贵，导致训练数据稀疏。本文提出一种新颖的解耦多轮文本到 SQL 框架，其中话语重写模型首先显式解决对话上下文补全，随后由单轮文本到 SQL 解析器接手。还提出了一种用于话语重写模型的双重学习方法以解决数据稀疏问题。与端到端方法相比，所提出的解耦方法无需任何带标注的领域内数据即可取得优异性能。仅需少量标注的重写样例，解耦方法在 SParC 和 CoSQL 数据集上均优于已发布的最先进端到端模型。
引用
@article{arxiv.2106.02282,
title = {Decoupled Dialogue Modeling and Semantic Parsing for Multi-Turn Text-to-SQL},
author = {Zhi Chen and Lu Chen and Hanqi Li and Ruisheng Cao and Da Ma and Mengyue Wu and Kai Yu},
journal= {arXiv preprint arXiv:2106.02282},
year = {2021}
}
备注
12 pages, 3 figures, accepted to Findings of ACL 2021