As most users do not precisely know the structure and/or the content of databases, their queries do not exactly reflect their information needs. While database management systems (DBMS) may interact with users and use their feedback on the returned results to learn the information needs behind their queries, current query interfaces assume that users do not learn and modify the way way they express their information needs in form of queries during their interaction with the DBMS. Using a real-world interaction workload, we show that users learn and modify how to express their information needs during their interactions with the DBMS and their learning is accurately modeled by a well-known reinforcement learning mechanism. As current data interaction systems assume that users do not modify their strategies, they cannot discover the information needs behind users' queries effectively. We model the interaction between users and DBMS as a game with identical interest between two rational agents whose goal is to establish a common language for representing information needs in form of queries. We propose a reinforcement learning method that learns and answers the information needs behind queries and adapts to the changes in users' strategies and prove that it stochastically improves the effectiveness of answering queries. We propose two efficient implementation of this method over large relational databases. Our empirical studies over realworld query workloads indicate that our algorithms are efficient and effective.

中文翻译：

---

人类和数据系统如何建立 CommonQuery 语言？

由于大多数用户并不准确地了解数据库的结构和/或内容，他们的查询并不能准确地反映他们的信息需求。虽然数据库管理系统 (DBMS) 可以与用户交互并使用他们对返回结果的反馈来了解他们查询背后的信息需求，但当前的查询界面假设用户不会学习和修改他们以形式表达信息需求的方式与 DBMS 交互期间的查询。使用真实世界的交互工作负载，我们展示了用户在与 DBMS 交互期间学习和修改如何表达他们的信息需求，并且他们的学习是通过众所周知的强化学习机制准确建模的。由于当前的数据交互系统假设用户不会修改他们的策略，他们无法有效地发现用户查询背后的信息需求。我们将用户和 DBMS 之间的交互建模为两个理性代理之间具有相同兴趣的游戏，其目标是建立一种通用语言来以查询的形式表示信息需求。我们提出了一种强化学习方法，该方法学习并回答查询背后的信息需求，并适应用户策略的变化，并证明它随机提高了回答查询的有效性。我们在大型关系数据库上提出了该方法的两种有效实现。我们对现实世界查询工作负载的实证研究表明，我们的算法高效且有效。我们将用户和 DBMS 之间的交互建模为两个理性代理之间具有相同兴趣的游戏，其目标是建立一种通用语言来以查询的形式表示信息需求。我们提出了一种强化学习方法，该方法学习并回答查询背后的信息需求，并适应用户策略的变化，并证明它随机提高了回答查询的有效性。我们在大型关系数据库上提出了该方法的两种有效实现。我们对现实世界查询工作负载的实证研究表明，我们的算法高效且有效。我们将用户和 DBMS 之间的交互建模为两个理性代理之间具有相同兴趣的游戏，其目标是建立一种通用语言来以查询的形式表示信息需求。我们提出了一种强化学习方法，该方法学习并回答查询背后的信息需求，并适应用户策略的变化，并证明它随机提高了回答查询的有效性。我们在大型关系数据库上提出了该方法的两种有效实现。我们对现实世界查询工作负载的实证研究表明，我们的算法高效且有效。我们提出了一种强化学习方法，该方法学习并回答查询背后的信息需求，并适应用户策略的变化，并证明它随机提高了回答查询的有效性。我们在大型关系数据库上提出了该方法的两种有效实现。我们对现实世界查询工作负载的实证研究表明我们的算法是高效且有效的。我们提出了一种强化学习方法，该方法学习并回答查询背后的信息需求，并适应用户策略的变化，并证明它随机提高了回答查询的有效性。我们在大型关系数据库上提出了该方法的两种有效实现。我们对现实世界查询工作负载的实证研究表明，我们的算法高效且有效。