基于 AST 排序和架构修剪的改进检索增强型文本到 SQL 模型

提出了一种利用自然语言反馈进行语义解析更正的方法，准确性提高26%。

T5-base模型能够在无需训练的情况下纠正T5-large模型的错误。

研究使用基于关系感知自注意机制的统一框架，解决自然语言问题转换为SQL查询中的通用性问题。

在Spider数据集上，该框架的精确匹配准确度提高到57.2%，优于其他模型。

使用数据增强技术提升文本到SQL解析器对自然语言变化的鲁棒性。

大型语言模型（LLMs）在将自然语言问题转化为SQL查询时具有挑战性，提出了新的流程来有效检索相关数据和上下文。

研究探讨了神经话语解析的问题，引入新的执行指南机制来利用SQL的语义，普遍提高了性能。

通过预训练语言模型和约束解码技术改进Text-to-SQL任务的查询准确性，达到了最高准确率。

利用生成模型考虑表格结构和SQL语法，提高查询的可执行性和准确性。

提出判别式re-ranker方法，从生成模型的输出中提取最佳SQL查询，提高表现。

针对零样本学习中语义解析器选择新数据库常数集的问题，提出全局推理数据库常数集的解析器，准确率提高到47.4%。

ISESL-SQL框架通过迭代性的语义增强架构图方法，提高文本到SQL系统的泛化能力。