Prêter plus d'attention à l'histoire : une stratégie de modélisation du contexte pour le texte-to-SQL conversationnel

La transformation conversationnelle de texte en SQL vise à convertir des requêtes naturelles multi-tours en leurs représentations correspondantes en SQL (Langage de requête structuré). L'un des problèmes les plus difficiles de cette tâche réside dans la modélisation sémantique des requêtes multi-tours et dans la collecte des informations pertinentes nécessaires à la requête courante. Ce papier démontre qu'une modélisation explicite des changements sémantiques, en ajoutant chaque tour et en résumant l'ensemble du contexte, peut améliorer significativement les performances de conversion des requêtes conversationnelles en SQL. Plus précisément, nous proposons deux tâches de modélisation conversationnelle, à la fois au niveau du tour et au niveau de la conversation entière. Ces deux tâches agissent simplement comme des tâches d'entraînement auxiliaires afin d’aider le traitement sémantique des requêtes conversationnelles multi-tours. Des études empiriques ont été menées, aboutissant à de nouveaux résultats d’état de l’art sur le grand jeu de données ouvert à domaine large pour la transformation conversationnelle de texte en SQL. Les résultats montrent que le mécanisme proposé améliore de manière significative les performances de l’analyse sémantique multi-tours.