潘璇^1,3,徐思涵^1,3,蔡祥睿^2,3,温延龙^1,3,袁晓洁^2,3

¹（南开大学计算机学院 天津 300350）；²（南开大学网络空间安全学院 天津 300350）；³（天津市网络与数据安全技术重点实验室(南开大学) 天津 300350) (panxuan@dbis.nankai.edu.cn)

出版日期: 2021-09-01


基金资助:国家自然科学基金重点项目(U1936206)；国家自然科学基金项目(U1836109，U1903128)；国家自然科学基金面上项目(61772289，62077031)；国家自然科学基金青年科学基金项目(62002178)；天津市自然科学基金项目(20JCQNJC01730)

Survey on Deep Learning Based Natural Language Interface to Database

Pan Xuan^1,3, Xu Sihan^1,3, Cai Xiangrui^2,3, Wen Yanlong^1,3, Yuan Xiaojie^2,3

¹（College of Computer Science, Nankai University, Tianjin 300350);²(College of Cyber Science, Nankai University, Tianjin 300350);³(Tianjin Key Laboratory of Network and Data Security Technology (Nankai University), Tianjin 300350)

Online: 2021-09-01


Supported by:This work was supported by the Key Program of the National Natural Science Foundation of China (U1936206), the National Natural Science Foundation of China (U1836109, U1903128), the General Program of the National Natural Science Foundation of China (61772289, 62077031), the National Natural Science Foundation of China for Young Scientists (62002178), and the Natural Science Foundation of Tianjin (20JCQNJC01730).

摘要/Abstract

摘要： 数据库自然语言接口(natural language interface to database, NLIDB)能够凭借自然语言描述实现数据库查询操作，是促进用户无障碍地与数据库交互的重要工具.因为NLIDB具有较高的应用价值，近年来一直受到学术与商业领域的关注.目前成熟的NLIDB系统大部分基于经典自然语言处理方法，即通过指定的规则实现自然语言查询到结构化查询的转化.但是基于规则的方法仍然存在拓展性不强的缺陷.深度学习方法具有分布式表示和深层次抽象表示等优势，能深入挖掘自然语言中潜在的语义特征.因此近年来在NLIDB中，引入深度学习技术成为了热门的研究方向.针对基于深度学习的NLIDB研究进展进行总结：首先以解码方法为依据，将现有成果归纳为4种类型分别进行分析；然后汇总了7种模型中常用的辅助方法；最后根据目前尚待解决的问题，提出未来仍需关注的研究方向.

参考文献

相关文章 15

[1]	张力天, 孔嘉漪, 樊一航, 范灵俊, 包尔固德. 基于宏微观因素的概率级别的车辆事故预测[J]. 计算机研究与发展, 2021, 58(9): 2052-2061.
[2]	丁宗元, 孙权森, 王涛, 王洪元. 基于融合多尺度标记信息的深度交互式图像分割[J]. 计算机研究与发展, 2021, 58(8): 1705-1717.
[3]	陈波冯, 李靖东, 卢兴见, 沙朝锋, 王晓玲, 张吉. 基于深度学习的图异常检测技术综述[J]. 计算机研究与发展, 2021, 58(7): 1436-1455.
[4]	王慧娇, 丛鹏, 蒋华, 韦永壮. 基于深度学习的SIMON32/64安全性分析[J]. 计算机研究与发展, 2021, 58(5): 1056-1064.
[5]	潘旭东, 张谧, 颜一帆, 陆逸凡, 杨珉. 通用深度学习语言模型的隐私风险评估[J]. 计算机研究与发展, 2021, 58(5): 1092-1105.
[6]	李明慧, 江沛佩, 王骞, 沈超, 李琦. 针对深度学习模型的对抗性攻击与防御[J]. 计算机研究与发展, 2021, 58(5): 909-926.
[7]	汪嘉来, 张超, 戚旭衍, 荣易. Windows平台恶意软件智能检测综述[J]. 计算机研究与发展, 2021, 58(5): 977-994.
[8]	周纯毅, 陈大卫, 王尚, 付安民, 高艳松. 分布式深度学习隐私与安全攻击研究进展与挑战[J]. 计算机研究与发展, 2021, 58(5): 927-943.
[9]	汪烨, 陈骏武, 夏鑫, 姜波. 智能需求获取与建模研究综述[J]. 计算机研究与发展, 2021, 58(4): 683-705.
[10]	吴宗友, 白昆龙, 杨林蕊, 王仪琦, 田英杰. 电子病历文本挖掘研究综述[J]. 计算机研究与发展, 2021, 58(3): 513-527.
[11]	廖海斌, 徐斌. 基于性别和年龄因子分析的鲁棒性人脸表情识别[J]. 计算机研究与发展, 2021, 58(3): 528-538.
[12]	付章杰, 李恩露, 程旭, 黄永峰, 胡雨婷. 基于深度学习的图像隐写研究进展[J]. 计算机研究与发展, 2021, 58(3): 548-568.
[13]	古天龙, 冯旋, 李龙, 包旭光, 李云辉. 基于社会新闻数据集的伦理行为判别方法[J]. 计算机研究与发展, 2021, 58(2): 253-263.
[14]	陈晋音, 陈奕芃, 陈一鸣, 郑海斌, 纪守领, 时杰, 程瑶. 面向深度学习的公平性研究综述[J]. 计算机研究与发展, 2021, 58(2): 264-280.
[15]	李金鹏, 张闯, 陈小军, 胡玥, 廖鹏程. 自动文本摘要研究综述[J]. 计算机研究与发展, 2021, 58(1): 1-21.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4493