Kürzlich hat die kontextabhängige Text-zu-SQL-Semantikparsung, die natürliche Sprache in einem Interaktionsprozess in SQL übersetzt, erhebliche Aufmerksamkeit erhalten. Bisherige Ansätze nutzen kontextabhängige Informationen entweder aus der Interaktionshistorie oder aus vorhergesagten SQL-Abfragen, scheitern jedoch daran, beide Quellen gleichzeitig zu nutzen, da eine Diskrepanz zwischen natürlicher Sprache und der logischen Form von SQL besteht. In dieser Arbeit präsentieren wir ein History Information Enhanced Text-to-SQL-Modell (HIE-SQL), das kontextabhängige Informationen sowohl aus der Historie der Äußerungen als auch aus der zuletzt vorhergesagten SQL-Abfrage nutzt. Um diese Diskrepanz zu überwinden, betrachten wir natürliche Sprache und SQL als zwei Modalitäten und schlagen ein bimodales vortrainiertes Modell vor, um die Lücke zwischen ihnen zu schließen. Darüber hinaus entwerfen wir einen Schema-Linking-Graphen, um die Verbindungen zwischen den Äußerungen und der SQL-Abfrage mit der Datenbankschema zu verstärken. Wir zeigen, dass unsere Methode zur Verbesserung der Historie-Informations-Ausnutzung die Leistung von HIE-SQL erheblich steigert und damit zum Zeitpunkt der Niederschrift neue State-of-the-Art-Ergebnisse auf zwei kontextabhängigen Text-zu-SQL-Benchmarks, den Datensätzen SparC und CoSQL, erzielt.