On The Reasonable Effectiveness of Relational Diagrams: Explaining Relational Query Patterns and the Pattern Expressiveness of Relational Languages
本文首次提出独立于语言的关系查询模式语义定义，并据此构建语言模式表达能力层级，同时提出Relational Diagrams图示表示，使用户能比SQL更快更准地识别模式。
2024-01-09 cs.DB cs.HC cs.LO
Explaining Wrong Queries Using Small Examples
用于测试SQL查询的正确性，例如，在数据库课程中评估学生提交的内容时，标准做法是在一些测试数据库实例上执行有问题的查询，并将其结果与正确查询的结果进行比较。给定两个查询$Q_1$和$Q_2$，如果$Q_1(D)$与$Q_2(D)$不同，我们说数据库实例$D$是一个反例（对于$Q_1$和$Q_2$）;这样的反例可以解释为什么$Q_1$和$Q_2$不等价。虽然测试数据库实例可以用作反例，但它可能太大或太复杂，无法阅读和理解不等价性的来源。因此，在本文中，给定一个已知的反例$D$为$Q_1$和$Q_2$，我们的目标是找到最小的反例$D' \subseteq D$其中$Q_1(D') \neq Q_2(D')$。这个问题一般是NP难的。我们给出了一套算法，找到最小的反例为不同类别的查询，一些更听话的比别人。我们还提出了一个有效的基于出处的算法SPJUD查询，使用约束求解器，并将其扩展到更复杂的查询与聚合，分组和嵌套查询。我们进行了大量的实验，表明我们的解决方案的有效性和可扩展性，从本科数据库课程的学生查询和查询TPC-H基准。我们还报告了一个用户研究，从课程中，我们部署我们的工具，以帮助学生与关系代数的作业。
2019-04-09 cs.DB
Self-service Ad-hoc Querying Using Controlled Natural Language
由于业务专家无法在不涉及IT专家的情况下直接访问数据，因此ad-hoc查询过程缓慢且容易出错。问题在于用于查询数据的手段的复杂性。我们提出了一种新的自然语言和半星本体为基础的特设查询方法，降低了陡峭的学习曲线，需要能够查询数据。所提出的方法将大大缩短所需的时间来掌握ad-hoc查询，并获得直接存取的数据由业务专家，从而促进决策过程中的企业，政府机构和其他组织。
2016-06-08 cs.DB
Generalized Deletion Propagation on Counting Conjunctive Query Answers
我们调查的计算复杂性的源副作用最小化，以消除一个给定数量的元组从一个合取查询的输出。具体地，给定多关系数据库$D$、合取查询$Q$和正整数$k$作为输入，目标是找到要从D中移除的输入元组的最小子集，其将从$Q(D)$中至少消除$k$输出元组。这个问题推广了数据库中的删除传播问题。此外，它还封装了数据分析中使用的聚合查询的干预概念，并使用应用程序解释输出上的有趣观察结果。我们展示了一个二分法的复杂性，这个问题的类的充分的合取查询没有自加入的结构上的$Q$，使问题的多项式时间可解或NP-难的表征。我们证明这个二分法的结果已经给出了一个精确的算法在简单的情况下，我们补充这一点，给出一个近似算法的困难情况下的问题。
2019-07-23 cs.DB
Natural Language Aggregate Query over RDF Data
基于RDF数据的自然语言问答受到了广泛的关注。虽然已经有几个研究处理了少量的聚合查询，但它们有许多限制（即，交互式信息、受控问题或查询模板）。到目前为止，还没有自然语言查询机制可以处理RDF数据上的一般聚合查询。因此，我们提出了一个框架称为NLAQ（自然语言聚合查询）。首先，我们提出了一种新的算法来自动理解用户的查询意图，其中主要包括语义关系和聚合。其次，为了在查询意图和RDF数据之间建立更好的桥梁，我们提出了一种扩展的释义词典ED来获得更多的语义关系的候选映射，并引入了一种谓词类型的邻接集PT来过滤语义关系和基本图模式中不合适的候选映射组合。第三，我们为每个聚合类别设计了合适的翻译方案，并有效地区分聚合项是否为数字，这将极大地影响聚合结果。最后，我们在真实数据集上进行了大量的实验（QALD基准和DBpedia），实验结果表明我们的解决方案是有效的。
2017-10-22 cs.DB
NEURON: Query Optimization Meets Natural Language Processing For Augmenting Database Education
关系数据库管理系统（RDBMS）是世界上许多大学的计算机科学课程的一部分。该课程的核心组成部分是关系数据库管理系统中查询优化器的设计和实现。查询优化器的目标是自动识别执行用户提交的声明性SQL查询的最有效执行策略。查询优化过程产生表示查询的执行策略的查询执行计划（QEP）。由于底层查询优化器的复杂性，理解QEP要求学生了解与RDBMS相关的特定于实现的问题。实际上，这是一个不切实际的假设，因为大多数学生都是第一次学习数据库技术。因此，他们通常很难通过仔细阅读QEP来理解DBMS所承担的查询执行策略，从而阻碍了他们的学习过程。在这个演示中，我们提出了一个新的系统，称为神经元，促进自然语言与QEP互动，以提高其理解。NEURON接受SQL查询（可能包括连接、聚合、嵌套等）作为输入，执行它，并生成底层RDBMS部署的执行策略的简化的基于自然语言的描述（文本和语音形式）。此外，它通过基于自然语言的问答框架促进了对与QEP相关的各种特征的理解。我们主张，这样的工具，世界上第一个，可以大大提高学生的学习查询优化的主题。
2018-08-21 cs.DB
Frameworks for Querying Databases Using Natural Language: A Literature Review
自然语言接口（NLI）便于用户提出查询以从数据库检索信息，而不使用诸如结构化查询语言（SQL）的任何人工语言。在包括医疗保健、客户支持和搜索引擎的各种领域中的若干应用需要精心制作具有关于文本的信息的结构化数据。此外，许多问题已经被探索，包括配置的复杂性，密集算法的处理，以及关系数据库的普及，由于将自然语言转换为数据库查询已成为一个次要的研究领域。查询系统和支持语音的界面的新兴趋势使自然语言重新进入数据库查询研究领域。上一次就该主题发布的调查是六年前的2013年。据我们所知，没有最近的研究发现，讨论了结构化和非结构化查询语言的自然语言的翻译框架的当前状态。在本文中，我们回顾了2008年至2018年的47个框架。在47个项目中，有35个与我们的工作密切相关。基于SQL的框架已被分类为统计，符号和连接主义方法。然而，基于NoSQL的框架已经被分类为语义匹配和模式匹配。然后，这些框架进行审查的基础上，他们的支持语言，他们的启发式规则，互操作性的支持，数据集范围和他们的整体性能得分的计划。调查结果表明，70%的自然语言数据库查询工作是针对SQL进行的，NoSQL分别占SPAROL，CYPHER和GREMLIN等语言的15%，10%和5%。还注意到，大多数框架仅支持英语。
2019-09-03 cs.DB
Bridging the Semantic Gap with SQL Query Logs in Natural Language Interfaces to Databases
构建数据库的自然语言接口（NLIDB）的一个关键挑战是弥合自然语言查询（NLQ）和底层数据之间的语义鸿沟。这个挑战的两个具体表现方式是通过关键字映射和连接路径推理。关键字映射是将原始NLQ中的各个关键字映射到数据库元素（例如关系，属性或值）的任务。这是具有挑战性的，由于在映射用户的心理模型和措辞的模式定义和底层数据库的内容的模糊性。连接路径推断是在最终SQL查询的FROM子句中选择关系和连接条件的过程，并且是困难的，因为NLIDB用户缺乏数据库模式或SQL的知识，因此不能显式地指定构造最终SQL查询所需的中间表和连接。在本文中，我们建议利用数据库的SQL查询日志中的信息来提高现有NLIDBs的性能，以应对这些挑战。我们提出了一个可用于增强现有NLIDB的系统Templar。我们广泛的实验评估表明，我们的方法的有效性，导致高达138%的改善前1的准确性，在现有的NLIDBs利用SQL查询日志信息。
2019-01-31 cs.DB
NL4ST: A Natural Language Query Tool for Spatio-Temporal Databases
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；The Hong Kong University of Science and Technology（香港科技大学）
NL4ST是一种用于时空数据库的自然语言查询工具，通过三层架构实现自然语言到查询计划的转换，支持非专业人士高效查询时空数据。
2026-01-22 cs.DB
Knowledge Rich Natural Language Queries over Structured Biological Databases
关键字、自然语言和NoSQL查询正越来越多地用于从传统和非传统数据库（诸如web、文档、图像、GIS、法律和健康数据库）进行信息检索。虽然由于显而易见的原因，它们的受欢迎程度是不可否认的，但它们的工程设计远非简单。在大多数情况下，将通过结构化数据库模式表达的良好理解的自然语言查询映射到结构化查询语言的语义和意图保持映射仍然是一项困难的任务，并且对驯服复杂性的研究是激烈的。在本文中，我们提出了一个多层次的知识为基础的中间件，以促进这种映射，分离的概念层次的物理层次。我们增加了这些多层次的抽象与概念推理和查询策略引擎动态链接任意自然语言查询定义良好的结构化查询。我们证明了我们的方法的可行性，提出了一个基于数据库的原型系统，称为生物智能，可以计算响应任意自然语言查询在任意数据库的自然语言查询的语法分类。
2017-03-30 cs.DB
The Complexity of Why-Provenance for Datalog Queries
University of Milan（米兰大学）；University of Edinburgh（爱丁堡大学）；University of Cyprus（塞浦路斯大学）
解释为什么数据库查询结果是获得可解释的人工智能的目标是一个重要的任务，特别是现在的表现力数据库查询语言，如数据库在基于本体的应用程序的开发中发挥着至关重要的作用。解释查询结果的标准方式是所谓的why-provenance，其本质上以足以导出该结果的输入数据库的子集的形式提供关于查询结果的见证者的信息。令我们惊讶的是，尽管Datasheet查询的why-provenance的概念已经存在了几十年并得到了深入的研究，但它的计算复杂性仍然没有得到探索。这项工作的目标是填补这一明显的差距，为什么出处文献。为此，我们查明的数据复杂性为什么起源的Datasheet查询及其关键子类。我们的工作的外卖是，为什么递归查询的出处，即使递归是有限的线性，是一个棘手的问题，而非递归查询是非常容易处理的。话虽如此，我们通过实验证实，通过利用SAT求解器，使（递归）Datasheet查询的why-provenance在实践中工作并不是一个不切实际的目标。
2023-03-22 cs.AI cs.DB
Towards Enhancing Database Education: Natural Language Generation Meets Query Execution Plans
数据库系统课程是许多主要大学的本科计算机科学学位课程的一部分。学习此类课程的学习者的一个关键学习目标是了解在实践中如何在RDBMS中处理SQL查询。由于查询执行计划（QEP）描述了查询的执行步骤，学习者可以通过阅读RDBMS生成的QEP来获得理解。不幸的是，在实践中，学习者往往难以理解这些包含特定于供应商的实现细节的QEP，这阻碍了她的学习过程。在本文中，我们提出了一种新颖的，端到端的，通用的系统称为灯笼，产生一个自然语言描述的qep，以促进理解的查询执行步骤。它接受SQL查询及其QEP作为输入，并生成底层RDBMS部署的执行策略的自然语言描述。具体来说，它部署了一个声明性的框架称为池，使主题专家有效地创建和维护自然语言描述的物理操作员中使用的QEP。提出了一个基于规则的框架RULE-LANTERN，利用池生成QEP的自然语言描述。尽管RULE-LANTERN的准确性很高，但我们与学习者的接触表明，与现有的心理学理论相一致，阅读这种基于规则的描述会导致无聊，因为不同的QEP会重复陈述。为了解决这个问题，我们提出了一种新的基于深度学习的语言生成框架，称为NEURAL-LANTERN，它通过利用一组释义工具和词嵌入在生成的描述中注入语言可变性。我们的实验研究与真实的学习者表明灯笼在促进理解QEPs的有效性。
2021-03-03 cs.DB
Meet Cyrus - The Query by Voice Mobile Assistant for the Tutoring and Formative Assessment of SQL Learners
由于是声明性的，SQL更有可能成为仅次于自然语言编程的概念计算的程序设计语言。我们研究使用SQL作为后端的自然语言数据库编程的可能性。与基于关键字的SQL查询不同，关键字依赖和SQL的表结构约束在我们的方法中明显不那么明显。我们提出了一个移动终端语音查询接口，称为赛勒斯，任意关系数据库。Cyrus支持一个大型的查询类，对于一个入门级的数据库类来说已经足够了。Cyrus也是独立于应用程序的，允许测试数据库自适应，并且不限于特定的关键字或自然语言句子结构。它的协作错误报告更直观，与大多数当代移动和语音系统相比，基于iOS的移动平台也更容易访问。
2018-11-09 cs.DB
Natural Language to What? A Vision for Intermediate Representations in NL-to-X Querying
University of California San Diego（加州大学圣迭戈分校）
本文提出NLIQ框架，探讨自然语言查询中目标确定、中间表示设计及异构编译等核心问题，扩展了传统翻译方法的应用范围。
2026-07-24 cs.DB
From Data Querying to Data Investigations: Rethinking Natural Language Interfaces for Databases
TU Darmstadt（达姆施塔特工业大学）；MIT Darmstadt（达姆施塔特理工学院）；DFKI（德国人工智能研究中心）
本文针对传统数据库自然语言接口仅支持单条SQL查询的局限，提出数据调查新范式，构建原型系统D²，结合新基准验证其在需证据决策的数据调查任务中优于传统单查询问答。
2026-09-04 cs.DB
From Text to Knowledge with Graphs: modelling, querying and exploiting textual content
本文针对海量文本知识提取的需求，提出结合多领域技术、以图作为标注后文本的知识表示形式的愿景，并结合多领域专家观点探讨了该方向的挑战、趋势与待解问题。
2023-10-09 cs.DB
A Tool for Semantic-Aware Spatial Corpus Construction
College of Computer Science and Technology Nanjing University of Aeronautics and Astronautics（南京航空航天大学计算机科学与技术学院）；School of Automation Guangdong University of Technology（广东工业大学自动化学院）
本文提出SSCC工具，通过空间关系知识库构建和模板增强查询对生成模块，高效构建高质量的空间自然语言查询语料库。
2026-01-21 cs.DB
PUG: A Framework and Practical Implementation for Why & Why-Not Provenance (extended version)
解释为什么查询返回（或不返回）答案对于许多应用程序都很重要，包括审计、调试数据和查询以及回答关于数据的假设问题。在这项工作中，我们提出了第一个实用的方法来回答这些问题的查询与否定（一阶查询）。具体来说，我们介绍了一个基于图的出处模型，而在本质上的语法，支持反向推理，并证明编码广泛的出处模型从文献。该模型在我们的PUG（通过图形的起源统一）系统中的实现将起源问题和数据库查询作为输入，并生成计算解释的数据库程序，即，与回答问题相关的出处部分。此外，我们演示了如何一个理想的分解出处可以通过重写输入查询。我们实验评估我们的方法，证明其效率。
2018-08-16 cs.DB
Semantic Query Language for Temporal Genealogical Trees
计算机在现代家谱管理中起着至关重要的作用，它用于收集、存储、分析、整理和显示家谱数据。然而，当前的应用没有考虑到自然语言的亲属关系结构。在本文中，我们提出了一个新的特定领域的语言KISP，它是基于形式化的英语亲属系统，访问和查询传统的家谱树。KISP是一种动态类型的类LISP的程序设计语言，具有丰富的功能，如亲属词约简和时态信息表达。我们的解决方案为用户提供了一个连贯的家谱框架，允许在任何传统的家谱上进行自然导航。
2018-07-02 cs.DB
Introducing PathQuery, Google's Graph Query Language
我们介绍PathQuery，一种图形查询语言，它的开发可以与Google的查询和数据量以及内部开发人员社区进行扩展。PathQuery支持灵活的声明式语义。我们已经发现，这使得查询开发人员认为在一个自然的“图形”设计空间，并避免额外的认知努力，协调许多连接和子查询往往需要表达一个等价的查询在关系空间。尽管它的语法风格是面向对象的，但PathQuery的基础是关系代数的一个自定义变体--我们目前推迟了对它的阐述--允许应用常见和新颖的优化。我们相信PathQuery在Google经受住了“时间的考验”，在大规模和低延迟的要求下。因此，我们在这里分享的语言设计，承认严格的声明性语义，在实践中扩展良好，并提供了一个自然的语法图遍历，同时也承认复杂的图形模式。
2021-06-17 cs.DB
Draft-Refine-Optimize: Self-Evolved Learning for Natural Language to MongoDB Query Generation
DP Technology（达观数据）
本文提出EvoMQL框架，通过迭代的草稿-细化-优化流程，结合执行反馈实现自然语言到MongoDB查询生成的自演化学习，提升了执行准确率。
2026-03-11 cs.DB
Towards a Natural Language Query Processing System
解决非技术数据库终端用户和具有正式查询语言知识的用户之间的信息检索差距一直是数据管理和分析研究的一个有趣领域。使用自然语言接口从数据库中查询信息，为最终用户和使用正式查询语言的系统之间的通信挑战提供了机会。以前的研究工作主要集中在开发关系数据库的结构化查询接口。然而，文本、图像和视频等非结构化大数据的发展暴露了传统结构化查询接口的局限性。虽然现有的网络搜索工具证明了自然语言查询的普及性和可用性，但它们返回完整的文档和网页，而不是集中的查询响应，并且不适用于数据库系统。本文报告了我们对后端关系数据库的自然语言查询接口的设计和开发的研究。该研究的新颖之处在于将图数据库定义为中间层，以存储将自然语言查询转换为可以在后端数据库上执行的结构化查询语言所需的必要元数据。我们使用餐厅数据集实现并评估了我们的方法。一些示例查询的翻译结果产生了90%的准确率。
2020-09-25 cs.AI cs.DB cs.IR
Natural Language Querying System Through Entity Enrichment
EnnovLabs（恩诺夫实验室）；INSA CVL（中央卢瓦尔河谷国立应用科学学院）
本文提出一种基于实体增强的自然语言查询系统，将自然语言问题转换为数据库查询，并通过逻辑范式处理数据库以保证对不同数据库模型的适应性，初步实验验证了其良好精度。
2024-10-21 cs.CL cs.DB
Language-integrated provenance by trace analysis
数据库集成的起源建立在语言集成的查询技术，使起源信息解释查询结果容易提供给程序员。在以前的工作中，我们已经探讨了语言集成的方法，在链接和Haskell的出处。然而，以语言集成的方式实施新形式的出处仍然是一个重大挑战。我们提出了自跟踪转换和跟踪分析功能，这些功能与现有的类型定向泛型编程技术一起，使得将不同形式的出处定义为用户代码成为可能。我们提出了我们的设计作为一个扩展的核心语言链接称为LinksT，给出的例子显示其功能，并概述其元理论和关键的正确性属性。
2019-05-06 cs.DB cs.PL
LLM-based SPARQL Query Generation from Natural Language over Federated Knowledge Graphs
SIB Swiss Institute of Bioinformatics（瑞士生物信息学研究所）
针对生物信息学联邦知识图谱的自然语言查询问题，提出基于大语言模型的检索增强生成系统，利用知识图谱元数据并加入验证步骤提升查询准确性，减少幻觉，系统已在线开放。
2025-02-10 cs.AI cs.DB cs.IR
InteracSPARQL: An Interactive System for SPARQL Query Refinement Using Natural Language Explanations
University of Waterloo（滑铁卢大学）
本文提出交互式系统InteracSPARQL，结合LLM与基于规则的方法生成自然语言解释，支持用户通过直接反馈或LLM自我优化实时修正SPARQL查询，显著提升了查询准确率、解释清晰度与用户满意度。
2025-11-03 cs.AI cs.DB cs.IR
Mirror: A Natural Language Interface for Data Querying, Summarization, and Visualization
University of California, San Diego（加州大学圣地亚哥分校）；Cisco（思科）
我们介绍了Mirror，这是一个由大语言模型驱动的数据探索和分析的开源平台。Mirror为查询数据库提供了直观的自然语言界面，并自动生成可执行的SQL命令来检索相关数据，并以自然语言进行汇总。此外，用户可以预览和手动编辑生成的SQL命令，以确保其查询的准确性。Mirror还生成可视化以促进对数据的理解。Mirror的设计考虑了灵活性和人为输入，适合经验丰富的数据分析师和希望从数据中获得见解的非技术专业人士。
2023-03-15 cs.AI cs.CL cs.DB
Natural Language Query Engine for Relational Databases using Generative AI
IBM France（IBM法国公司）
针对非技术用户因缺乏SQL知识难以查询关系数据库的问题，提出基于生成式AI的自然语言查询引擎，可自动将自然语言查询转译为语法语义正确的SQL并生成自然语言响应，实现数据访问普惠化并提升效率。
2024-09-23 cs.AI cs.DB cs.LG
Datrics Text2SQL: A Framework for Natural Language to SQL Query Generation
Datrics
针对Text-to-SQL系统在歧义理解、领域词汇和复杂模式处理上的难题，提出基于RAG的Datrics Text2SQL框架，通过知识库检索生成准确SQL，降低数据分析的使用门槛。
2025-04-03 cs.AI cs.CL cs.DB
AskYourDB: An end-to-end system for querying and visualizing relational databases using natural language
Thoucentric
在数据库中查询正确的信息是一项耗时且容易出错的任务，通常需要经验丰富的专业人员来完成这项工作。此外，用户需要对数据库有一些先验知识。已经有各种努力来开发一种智能，可以帮助商业用户直接查询数据库。然而，已经取得了一些成功，但在为现实世界的用户测试和部署这些方面却很少。在本文中，我们提出了一种语义解析方法来解决将复杂的自然语言转换为SQL的挑战，并制定出一个productoutit.For这个目的，我们修改了国家的最先进的模型，通过各种预处理和后处理步骤，使模型部署在生产中的重要组成部分。为了使产品服务于企业，我们在查询结果上添加了一个自动可视化框架。
2022-10-16 cs.CL cs.DB cs.IR
NL2KQL: From Natural Language to Kusto Query
Microsoft（微软公司）
针对自然语言转KQL查询的需求，提出包含模式精炼、少样本选择、查询精炼组件的NL2KQL框架，还给出合成数据集生成方法，经多指标评估和基线对比验证了有效性，相关基准数据集已公开。
2025-01-17 cs.AI cs.CL cs.DB
Provenance Analysis and Semiring Semantics for First-Order Logic
该研究提出基于带双未定元多项式商半环的溯源方法，解决了传统数据溯源局限于无否定一阶逻辑片段的问题，支持完整一阶逻辑的半环溯源与反向溯源，可用于查询答案解释、约束修复等，为半环语义的系统研究奠定基础。
2024-12-10 cs.DB cs.LO
DBCopilot: Natural Language Querying over Massive Databases via Schema Routing
Institute of Software, CAS（中国科学院软件研究所）；Hangzhou Institute for Advanced Study, UCAS（中国科学院大学杭州高等研究院）；University of Chinese Academy of Sciences (UCAS)（中国科学院大学）；Alibaba Cloud Intelligence Group（阿里巴巴云智能集团）
针对海量数据库下模式无关NL2SQL的现实挑战，提出DBCopilot框架，将任务解耦为模式路由与SQL生成，用轻量可微索引实现关系感知联合检索，还引入反向生成范式自动适配路由，经实验验证具备可扩展性与有效性。
2025-02-22 cs.CL cs.DB cs.IR
Natural Language Access to Domain-Specific Metadata: A Reusable Framework for LLM Query Generation
Max Planck Institute for Biological Cybernetics（马克斯·普朗克生物信息学研究所）
研究针对特定领域档案元数据查询难题，提出NLKGQ系统，借助OWL本体和LLMs，能零样本生成准确结构化查询。经神经影像档案元数据实验，最佳配置准确率达100%，明确影响准确率关键因素，还对比SPARQL与SQL，凸显OWL优势。
2026-09-11 cs.AI cs.DB
An End-to-end Neural Natural Language Interface for Databases
TU Darmstadt（达姆施塔特工业大学）；Bilkent University（比尔肯特大学）
从新数据集中提取见解的能力对于决策至关重要。可视化交互工具在数据探索中发挥着重要作用，因为它们为非技术用户提供了一种有效的方式来可视化地组合查询并理解结果。自然语言最近作为数据库的替代查询接口获得了关注，其具有使非专家用户能够高效且有效地制定复杂问题和信息需求的潜力。然而，理解自然语言问题并将其准确地翻译成SQL是一项具有挑战性的任务，因此数据库的自然语言接口（NLIDB）尚未成为实用工具和商业产品。在本文中，我们提出了一个新的数据探索工具DBDBSIDE与自然语言接口。DBSQL利用深度模型的最新进展，通过以下方式使查询理解更加健壮：首先，DBSQL使用深度模型将自然语言语句翻译为SQL，使翻译过程对释义和其他语言变体更加健壮。第二，为了支持用户在不知道数据库模式和查询功能的情况下措辞问题，DBCable提供了一个学习的自动完成模型，该模型在查询制定过程中向用户建议部分查询扩展，从而有助于编写复杂的查询。
2018-04-02 cs.CL cs.DB cs.HC
text2ql: Multi-Target Natural Language Querying via a Language-Agnostic Intermediate Representation
text2ql框架通过QueryIR中间表示和可插拔渲染器，解决传统数据库自然语言接口的三个局限，确定性模式实现100%执行准确率，消融研究证实感知模式提示对准确率提升作用显著。
2026-09-03 cs.AI cs.CL cs.DB
OsmT: Bridging OpenStreetMap Queries and Natural Language with Open-source Tag-aware Language Models
The Hong Kong Polytechnic University（香港理工大学）；WeBank；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院）；The Hong Kong University of Science and Technology（香港科技大学）
OsmT通过开源标签感知语言模型连接自然语言与OpenStreetMap查询，提升查询生成和解释的准确性与可访问性。
2025-12-04 cs.AI cs.CL cs.DB
Beyond Interestingness: Semantic and Context-Aware Natural Language Query Recommendations for Visual Data Analysis
针对分析师分解查询目标的挑战，研究用语义和上下文感知推荐增强自然语言接口，联合整合多种因素引导数据库探索，经多方式评估，QRec-NLI在代理比较和用户研究中表现优于基线。
2026-07-17 cs.CL cs.DB cs.HC
NAT-NL2GQL: A Novel Multi-Agent Framework for Translating Natural Language to Graph Query Language
School of Data Science and Engineering, East China Normal University（华东师范大学数据科学与工程学院）；School of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
提出NAT-NL2GQL多智能体框架，通过预处理、生成和优化三个智能体协作，将自然语言翻译为图查询语言，在StockGQL和SpCQL数据集上显著优于基线方法。
2024-12-11 cs.AI cs.CL cs.DB
Text-to-OverpassQL: A Natural Language Interface for Complex Geodata Querying of OpenStreetMap
School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；Computational Linguistics, Heidelberg University（海德堡大学计算语言学系）；IWR, Heidelberg University（海德堡大学应用科学计算研究所）
本研究提出Text-to-OverpassQL任务以实现OSM地理数据的自然语言查询，构建含8352个样本的OverpassNL数据集，提出专属评估指标并建立强基线，为该方向后续研究奠基。
2023-08-30 cs.AI cs.CL cs.CY
TableQuery: Querying tabular data with natural language
Saama（萨玛）；Activeloop（活跃循环）；Oregon State University（俄勒冈州立大学）
本文介绍了TableQuery，这是一种使用预训练的深度学习模型来查询表格数据的新工具，用于回答自由文本的问题。针对表格数据的问答的现有深度学习方法具有各种局限性，例如必须将整个表格作为输入馈送到神经网络模型中，这使得它们不适合大多数现实世界的应用。由于真实世界的数据可能包含数百万行，因此可能无法完全放入内存中。此外，数据可以存储在实时更新的实时数据库中，并且每次更新时将整个数据库串行化为神经网络友好格式是不切实际的。在TableQuery中，我们使用针对自由文本问答预先训练的深度学习模型，将自然语言查询转换为结构化查询，可以针对数据库或电子表格运行。这种方法消除了将整个数据装入内存以及序列化数据库的需要。此外，针对自由文本问答预训练的深度学习模型可以在HuggingFace Model Hub（7）等平台上轻松获得。TableQuery不需要重新训练;当新训练的问答模型具有更好的性能时，它可以替换TableQuery中的现有模型。
2022-01-27 cs.AI cs.CL cs.DB
