本研究针对现有的多表问答评估缺乏系统性的问题，提出了TQA-Bench基准。这一新基准设计用于评估大语言模型在复杂关系数据上处理问答任务的能力，结合了真实世界的公共数据集，并引入灵活的采样机制。我们发现，TQA-Bench能有效揭示大语言模型在多表问答中的表现，为其在复杂数据驱动环境中的应用提供了重要洞见。

本研究定义了查询的表格摘要任务，提出了QTSumm基准测试，包含5625个查询摘要对。实验表明，该基准为表格到文本生成研究提供了重要挑战。研究还介绍了基于神经网络的MaRGE模型，通过弱监督学习生成查询模型和摘要，取得了先进表现。

为解决关系数据库中多表之间的复杂关系和手动特征工程的问题，提出了GFS图形特征合成框架。该框架利用单表模型的归纳偏差，成功捕捉了每个表中的错综复杂关系，并在四个真实的多表关系数据库上展现出色的性能。

最近有个需求，用 SQL 描述起来大约是这样的： MongoDB Shell 其实就是封装好的 JavaScr […]

前些天遇到一个需求，不复杂，用 SQL 表现的话，大约如此： 没想到搜了半天，我厂的代码仓库里没有这种用法，各 […]