{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3320444"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3320444","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Data Democratisation with Deep Learning: Structured Query Translation from and to Natural Language","abstract":"Ενώ τα δεδομένα οδηγούν και επηρεάζουν πολλές ανθρώπινες δραστηριότητες, τα εμπόδια που τίθενται από τα εργαλεία που χρειάζονται για να ανακτηθούν, όπως η γλώσσα δομημένων ερωτημάτων (SQL), κάνουν τα δεδομένα μη προσβάσιμα για πολλούς χρήστες. Για να εξαλείψουν αυτά τα εμπόδια, οι ερευνητές έχουν στραφεί προς τη δημιουργία διεπαφών φυσικής γλώσσας που θα επιτρέπουν την πρόσβαση σε βάσεις δεδομένων αποκλειστικά μέσω φυσικής γλώσσας. Οι διεπαφές φυσικής γλώσσας χρησιμοποιούν συστήματα κειμένου-σε-SQL τα οποία μεταφράζουν τη φυσική γλώσσα από το χρήστη σε ερωτήματα SQL τα οποία ανακτούν τα δεδομένα που ζητάει.Πρόσφατα, νέα συστήματα κειμένου-σε-SQL υιοθετούν τεχνικές βαθιάς μάθησης, δείχνοντας πολύ υποσχόμενα αποτελέσματα. Την ίδια στιγμή, πολλές προκλήσεις παραμένουν ανοιχτές, καθιστώντας αυτήν την περιοχή ένα ενεργό και ανθηρό πεδίο για έρευνα και ανάπτυξη. Για να πετύχουμε αληθινή πρόοδο στη δημιουργία συστημάτων κειμένου-σε-SQL, πρέπει να διαλευκάνουμε όσα έχουν προταθεί, να καταλάβουμε πώς και πότε μπορούμε να χρησιμοποιήσουμε την κάθε μέθοδο, και, τελικά, να αναγνωρίσουμε τις ερευνητικές προκλήσεις που παραμένουν μπροστά μας. Παρουσιάζουμε μια αναλυτική ταξινομία νευρωνικών συστημάτων κειμένου-σε-SQL που θα βοηθήσει στην βαθύτερη μελέτη όλων των μερών ενός τέτοιου συστήματος. Αυτή η ταξινομία θα μας επιτρέψει να κάνουμε καλύτερες συγκρίσεις μεταξύ διαφορετικών προσεγγίσεων, αλλά και να εντοπίσουμε συγκεκριμένες προκλήσεις σε κάθε βήμα της διαδικασίας, βοηθώντας τους ερευνητές να σχεδιάσουν καλύτερα την αναζήτησή τους προς το «ιερό δισκοπότηρο» της προσβασιμότητας στις βάσεις δεδομένων. Ωστόσο, πώς μπορεί ο χρήστης να επαληθεύσει ότι το ερώτημα SQL που δημιουργήθηκε ταιριάζει με την πρόθεσή του εάν δεν είναι εξοικειωμένος με την SQL; Για την αντιμετώπιση αυτού του προβλήματος, απαιτείται ένα σύστημα που μπορεί να μεταφράσει το ερώτημα SQL στη φυσική γλώσσα (γνωστό και ως σύστημα SQL-σε-κείμενο). Εξερευνούμε το πρόβλημα της μετάφρασης SQL σε κείμενο, εξετάζουμε τις προκλήσεις και τις ιδιαιτερότητές του και παρουσιάζουμε ένα μοντέλο που βασίζεται σε δίκτυα Transformer που μπορεί να δημιουργήσει εύγλωττες επεξηγήσεις ερωτημάτων. Επιπλέον, εξετάζουμε τις δυσκολίες της αυτόματης αξιολόγησης της απόδοσης ενός τέτοιου συστήματος και εξετάζουμε πώς συμπεριφέρονται διαφορετικές αυτόματες μετρικές στα πλαίσια του προβλήματος μετάφρασης SQL σε κείμενο.","abstract_html":"Ενώ τα δεδομένα οδηγούν και επηρεάζουν πολλές ανθρώπινες δραστηριότητες, τα εμπόδια που τίθενται από τα εργαλεία που χρειάζονται για να ανακτηθούν, όπως η γλώσσα δομημένων ερωτημάτων (SQL), κάνουν τα δεδομένα μη προσβάσιμα για πολλούς χρήστες. Για να εξαλείψουν αυτά τα εμπόδια, οι ερευνητές έχουν στραφεί προς τη δημιουργία διεπαφών φυσικής γλώσσας που θα επιτρέπουν την πρόσβαση σε βάσεις δεδομένων αποκλειστικά μέσω φυσικής γλώσσας. Οι διεπαφές φυσικής γλώσσας χρησιμοποιούν συστήματα κειμένου-σε-SQL τα οποία μεταφράζουν τη φυσική γλώσσα από το χρήστη σε ερωτήματα SQL τα οποία ανακτούν τα δεδομένα που ζητάει.Πρόσφατα, νέα συστήματα κειμένου-σε-SQL υιοθετούν τεχνικές βαθιάς μάθησης, δείχνοντας πολύ υποσχόμενα αποτελέσματα. Την ίδια στιγμή, πολλές προκλήσεις παραμένουν ανοιχτές, καθιστώντας αυτήν την περιοχή ένα ενεργό και ανθηρό πεδίο για έρευνα και ανάπτυξη. Για να πετύχουμε αληθινή πρόοδο στη δημιουργία συστημάτων κειμένου-σε-SQL, πρέπει να διαλευκάνουμε όσα έχουν προταθεί, να καταλάβουμε πώς και πότε μπορούμε να χρησιμοποιήσουμε την κάθε μέθοδο, και, τελικά, να αναγνωρίσουμε τις ερευνητικές προκλήσεις που παραμένουν μπροστά μας. Παρουσιάζουμε μια αναλυτική ταξινομία νευρωνικών συστημάτων κειμένου-σε-SQL που θα βοηθήσει στην βαθύτερη μελέτη όλων των μερών ενός τέτοιου συστήματος. Αυτή η ταξινομία θα μας επιτρέψει να κάνουμε καλύτερες συγκρίσεις μεταξύ διαφορετικών προσεγγίσεων, αλλά και να εντοπίσουμε συγκεκριμένες προκλήσεις σε κάθε βήμα της διαδικασίας, βοηθώντας τους ερευνητές να σχεδιάσουν καλύτερα την αναζήτησή τους προς το «ιερό δισκοπότηρο» της προσβασιμότητας στις βάσεις δεδομένων. Ωστόσο, πώς μπορεί ο χρήστης να επαληθεύσει ότι το ερώτημα SQL που δημιουργήθηκε ταιριάζει με την πρόθεσή του εάν δεν είναι εξοικειωμένος με την SQL; Για την αντιμετώπιση αυτού του προβλήματος, απαιτείται ένα σύστημα που μπορεί να μεταφράσει το ερώτημα SQL στη φυσική γλώσσα (γνωστό και ως σύστημα SQL-σε-κείμενο). Εξερευνούμε το πρόβλημα της μετάφρασης SQL σε κείμενο, εξετάζουμε τις προκλήσεις και τις ιδιαιτερότητές του και παρουσιάζουμε ένα μοντέλο που βασίζεται σε δίκτυα Transformer που μπορεί να δημιουργήσει εύγλωττες επεξηγήσεις ερωτημάτων. Επιπλέον, εξετάζουμε τις δυσκολίες της αυτόματης αξιολόγησης της απόδοσης ενός τέτοιου συστήματος και εξετάζουμε πώς συμπεριφέρονται διαφορετικές αυτόματες μετρικές στα πλαίσια του προβλήματος μετάφρασης SQL σε κείμενο.","abstract_has_math":false,"creators":["Κατσογιάννης-Μεϊμαράκης Γιώργος","Katsogiannis-Meimarakis Georgios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:21:58Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3320444"],"render_values":[{"text":"uoadl:3320444","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3320444","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3320444","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3320444","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κατσογιάννης-Μεϊμαράκης Γιώργος","Katsogiannis-Meimarakis Georgios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3320444","https://pergamos.lib.uoa.gr/uoa/dl/object/3320444"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ενώ τα δεδομένα οδηγούν και επηρεάζουν πολλές ανθρώπινες δραστηριότητες, τα εμπόδια που τίθενται από τα εργαλεία που χρειάζονται για να ανακτηθούν, όπως η γλώσσα δομημένων ερωτημάτων (SQL), κάνουν τα δεδομένα μη προσβάσιμα για πολλούς χρήστες. Για να εξαλείψουν αυτά τα εμπόδια, οι ερευνητές έχουν στραφεί προς τη δημιουργία διεπαφών φυσικής γλώσσας που θα επιτρέπουν την πρόσβαση σε βάσεις δεδομένων αποκλειστικά μέσω φυσικής γλώσσας. Οι διεπαφές φυσικής γλώσσας χρησιμοποιούν συστήματα κειμένου-σε-SQL τα οποία μεταφράζουν τη φυσική γλώσσα από το χρήστη σε ερωτήματα SQL τα οποία ανακτούν τα δεδομένα που ζητάει.Πρόσφατα, νέα συστήματα κειμένου-σε-SQL υιοθετούν τεχνικές βαθιάς μάθησης, δείχνοντας πολύ υποσχόμενα αποτελέσματα. Την ίδια στιγμή, πολλές προκλήσεις παραμένουν ανοιχτές, καθιστώντας αυτήν την περιοχή ένα ενεργό και ανθηρό πεδίο για έρευνα και ανάπτυξη. Για να πετύχουμε αληθινή πρόοδο στη δημιουργία συστημάτων κειμένου-σε-SQL, πρέπει να διαλευκάνουμε όσα έχουν προταθεί, να καταλάβουμε πώς και πότε μπορούμε να χρησιμοποιήσουμε την κάθε μέθοδο, και, τελικά, να αναγνωρίσουμε τις ερευνητικές προκλήσεις που παραμένουν μπροστά μας. Παρουσιάζουμε μια αναλυτική ταξινομία νευρωνικών συστημάτων κειμένου-σε-SQL που θα βοηθήσει στην βαθύτερη μελέτη όλων των μερών ενός τέτοιου συστήματος. Αυτή η ταξινομία θα μας επιτρέψει να κάνουμε καλύτερες συγκρίσεις μεταξύ διαφορετικών προσεγγίσεων, αλλά και να εντοπίσουμε συγκεκριμένες προκλήσεις σε κάθε βήμα της διαδικασίας, βοηθώντας τους ερευνητές να σχεδιάσουν καλύτερα την αναζήτησή τους προς το «ιερό δισκοπότηρο» της προσβασιμότητας στις βάσεις δεδομένων. Ωστόσο, πώς μπορεί ο χρήστης να επαληθεύσει ότι το ερώτημα SQL που δημιουργήθηκε ταιριάζει με την πρόθεσή του εάν δεν είναι εξοικειωμένος με την SQL; Για την αντιμετώπιση αυτού του προβλήματος, απαιτείται ένα σύστημα που μπορεί να μεταφράσει το ερώτημα SQL στη φυσική γλώσσα (γνωστό και ως σύστημα SQL-σε-κείμενο). Εξερευνούμε το πρόβλημα της μετάφρασης SQL σε κείμενο, εξετάζουμε τις προκλήσεις και τις ιδιαιτερότητές του και παρουσιάζουμε ένα μοντέλο που βασίζεται σε δίκτυα Transformer που μπορεί να δημιουργήσει εύγλωττες επεξηγήσεις ερωτημάτων. Επιπλέον, εξετάζουμε τις δυσκολίες της αυτόματης αξιολόγησης της απόδοσης ενός τέτοιου συστήματος και εξετάζουμε πώς συμπεριφέρονται διαφορετικές αυτόματες μετρικές στα πλαίσια του προβλήματος μετάφρασης SQL σε κείμενο.","While data guides and influences many human activities, the barriers posed by the tools that are needed to retrieve it, such as Structured Query Language (SQL), make data inaccessible for many users. To lift these barriers, researchers have been working on creating natural language interfaces that would allow users to access databases solely through natural language. Natural language interfaces employ Text-to-SQL systems that can translate a natural language question from the user to an SQL query that can retrieve the data they need. Recently, novel Text-to-SQL systems are adopting deep learning methods with very promising results. At the same time, several challenges remain open, making this area an active and flourishing field of research and development. To make real progress in building Text-to-SQL systems, we need to de-mystify what has been done, understand how and when each approach can be used, and, finally, identify the research challenges ahead of us. We present a detailed taxonomy of neural Text-to-SQL systems that will enable a deeper study of all the parts of such a system. This taxonomy will allow us to make a better comparison between different approaches, as well as highlight specific challenges in each step of the process, thus enabling researchers to better strategize their quest towards the ``holy grail\" of database accessibility. However, how can the user verify that the generated SQL query matches their intent if they are not familiar with SQL? To tackle this problem, a system that can translate the SQL query back to natural language is needed (also known as an SQL-to-Text system). We explore the SQL-to-Text problem, we examine its challenges and peculiarities, and present a Transformer-based model that can generate fluent query explanations. Additionally, we look into the difficulties of automatically evaluating the performance of such a system and we examine how different metrics behave in the SQL-to-Text setting."]},{"key":"dc:title","label":"Title","values":["Data Democratisation with Deep Learning: Structured Query Translation from and to Natural Language"]}]}],"canonical_facts":{"dc:creator":["Κατσογιάννης-Μεϊμαράκης Γιώργος","Katsogiannis-Meimarakis Georgios"],"dc:date":["2023"],"dc:description":["Ενώ τα δεδομένα οδηγούν και επηρεάζουν πολλές ανθρώπινες δραστηριότητες, τα εμπόδια που τίθενται από τα εργαλεία που χρειάζονται για να ανακτηθούν, όπως η γλώσσα δομημένων ερωτημάτων (SQL), κάνουν τα δεδομένα μη προσβάσιμα για πολλούς χρήστες. Για να εξαλείψουν αυτά τα εμπόδια, οι ερευνητές έχουν στραφεί προς τη δημιουργία διεπαφών φυσικής γλώσσας που θα επιτρέπουν την πρόσβαση σε βάσεις δεδομένων αποκλειστικά μέσω φυσικής γλώσσας. Οι διεπαφές φυσικής γλώσσας χρησιμοποιούν συστήματα κειμένου-σε-SQL τα οποία μεταφράζουν τη φυσική γλώσσα από το χρήστη σε ερωτήματα SQL τα οποία ανακτούν τα δεδομένα που ζητάει.Πρόσφατα, νέα συστήματα κειμένου-σε-SQL υιοθετούν τεχνικές βαθιάς μάθησης, δείχνοντας πολύ υποσχόμενα αποτελέσματα. Την ίδια στιγμή, πολλές προκλήσεις παραμένουν ανοιχτές, καθιστώντας αυτήν την περιοχή ένα ενεργό και ανθηρό πεδίο για έρευνα και ανάπτυξη. Για να πετύχουμε αληθινή πρόοδο στη δημιουργία συστημάτων κειμένου-σε-SQL, πρέπει να διαλευκάνουμε όσα έχουν προταθεί, να καταλάβουμε πώς και πότε μπορούμε να χρησιμοποιήσουμε την κάθε μέθοδο, και, τελικά, να αναγνωρίσουμε τις ερευνητικές προκλήσεις που παραμένουν μπροστά μας. Παρουσιάζουμε μια αναλυτική ταξινομία νευρωνικών συστημάτων κειμένου-σε-SQL που θα βοηθήσει στην βαθύτερη μελέτη όλων των μερών ενός τέτοιου συστήματος. Αυτή η ταξινομία θα μας επιτρέψει να κάνουμε καλύτερες συγκρίσεις μεταξύ διαφορετικών προσεγγίσεων, αλλά και να εντοπίσουμε συγκεκριμένες προκλήσεις σε κάθε βήμα της διαδικασίας, βοηθώντας τους ερευνητές να σχεδιάσουν καλύτερα την αναζήτησή τους προς το «ιερό δισκοπότηρο» της προσβασιμότητας στις βάσεις δεδομένων. Ωστόσο, πώς μπορεί ο χρήστης να επαληθεύσει ότι το ερώτημα SQL που δημιουργήθηκε ταιριάζει με την πρόθεσή του εάν δεν είναι εξοικειωμένος με την SQL; Για την αντιμετώπιση αυτού του προβλήματος, απαιτείται ένα σύστημα που μπορεί να μεταφράσει το ερώτημα SQL στη φυσική γλώσσα (γνωστό και ως σύστημα SQL-σε-κείμενο). Εξερευνούμε το πρόβλημα της μετάφρασης SQL σε κείμενο, εξετάζουμε τις προκλήσεις και τις ιδιαιτερότητές του και παρουσιάζουμε ένα μοντέλο που βασίζεται σε δίκτυα Transformer που μπορεί να δημιουργήσει εύγλωττες επεξηγήσεις ερωτημάτων. Επιπλέον, εξετάζουμε τις δυσκολίες της αυτόματης αξιολόγησης της απόδοσης ενός τέτοιου συστήματος και εξετάζουμε πώς συμπεριφέρονται διαφορετικές αυτόματες μετρικές στα πλαίσια του προβλήματος μετάφρασης SQL σε κείμενο.","While data guides and influences many human activities, the barriers posed by the tools that are needed to retrieve it, such as Structured Query Language (SQL), make data inaccessible for many users. To lift these barriers, researchers have been working on creating natural language interfaces that would allow users to access databases solely through natural language. Natural language interfaces employ Text-to-SQL systems that can translate a natural language question from the user to an SQL query that can retrieve the data they need. Recently, novel Text-to-SQL systems are adopting deep learning methods with very promising results. At the same time, several challenges remain open, making this area an active and flourishing field of research and development. To make real progress in building Text-to-SQL systems, we need to de-mystify what has been done, understand how and when each approach can be used, and, finally, identify the research challenges ahead of us. We present a detailed taxonomy of neural Text-to-SQL systems that will enable a deeper study of all the parts of such a system. This taxonomy will allow us to make a better comparison between different approaches, as well as highlight specific challenges in each step of the process, thus enabling researchers to better strategize their quest towards the ``holy grail\" of database accessibility. However, how can the user verify that the generated SQL query matches their intent if they are not familiar with SQL? To tackle this problem, a system that can translate the SQL query back to natural language is needed (also known as an SQL-to-Text system). We explore the SQL-to-Text problem, we examine its challenges and peculiarities, and present a Transformer-based model that can generate fluent query explanations. Additionally, we look into the difficulties of automatically evaluating the performance of such a system and we examine how different metrics behave in the SQL-to-Text setting."],"dc:identifier":["uoadl:3320444","https://pergamos.lib.uoa.gr/uoa/dl/object/3320444"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Data Democratisation with Deep Learning: Structured Query Translation from and to Natural Language"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:21:58Z"}