Text-to-SQL方法研究

有关Text-to-SQL实现细节，可以查阅我的另一篇文章text-to-sql将自然语言转换为数据库查询语句

1、面临的挑战

• 自然语言问题往往包含复杂的语言结构,如嵌套语句、倒装句和省略等,很难准确映射到SQL查询上。此外,自然语言本身就存在歧义,一个问题可能有多种解读。消除歧义需要深入的语言理解能力以及融入上下文和领域知识。

• 要生成正确的SQL查询,文本到SQL系统需要全面理解数据库模式,包括表名、列名以及表之间的关系。但不同领域的数据库模式差异很大。如何以一种能被文本到SQL模型有效利用的方式来表示和编码数据库模式信息是一个挑战。

• 一些SQL查询涉及罕见或复杂的操作,如嵌套子查询、外连接和等。这些操作在训练数据中出现频率低,给文本到SQL模型的准确生成带来挑战。

2、最新进展

针对这些挑战,整理将大语言模型应用于文本到SQL任务的最新进展:

最新的研究聚焦于如何进一步增强大语言模型在文本到SQL任务中的表现，可以有如下几个方面。

• 1.优化输入到大语言模型的提示,引导其更好地理解用户意图。这包括精心设计少样本示例、对输入进行归纳和分解等。

• 2.改进大语言模型生成SQL的推理过程。将复杂问题分解成步骤化的子问题,减少信息丢失,同时引入一致性检验避免逻辑谬误。

• 3.利用数据库反馈来提炼SQL。通过将生成的SQL在实际数据库中执行,获得准确性反馈,并将其再输入给语言模型修正SQL,形成闭环学习。

3、基于上下文学习的Text-to-SQL方法

基于上下文学习的Text-to-SQL方法利用大语言模型强大的少样本学习能力,通过设计提示prompt使模型直接生成SQL,而无需微调模型参数。可以将这类方法进一步细分为以下5类:

1. 平凡提示

• 普通的平凡提示

平凡提示是指直接使用问题和数据库DDL作为提示,让语言模型直接生成SQL。

示例：

问题：新疆有几所小学

数据库DDL:

create table if not exists sch_school

(...

)

• 平凡的少样本提示

平凡的少样本提示则是在此基础上添加一些示例

问题1：山大附属小学各年级女生的平均年龄是多少？ SQL1：SELECT sch_student_class_semester.class_grade, AVG(DATEDIFF(CURDATE(), birthday) xxx

问题2：查询市中区实验小学每个年级的人数

SQL2：SELECT sc.class_grade, COUNT(sscs.student_id)\nfrom sch_class sc xxx

问题3：新疆有几所小学

数据库DDL:

create table if not exists sch_school

(...

)

     2. 任务分解

任务分解方法通过将Text-to-SQL任务分解为多个子任务或步骤,降低任务复杂度。这就好比将一个复杂的数学题分解为多个简单的小问题。具体来说,分解方法可以分为子任务分解和子问题分解。子任务分解会将Text-to-SQL分解为模式连接(schema linking)、分类、SQL生成等子任务。而子问题分解则是将用户问题分解为多个子问题,然后分别生成对应的SQL子句再组合。

     3. 提示优化

提示优化构造更高质量的少样本示例,从而提升模型性能。关键点：选择与当前问题更相似或更有代表性的示例作为提示,可以让模型更好地理解任务。

示例：DAIL-SQL，论文中先对问题中的领域特定词进行掩码,然后基于嵌入式欧氏距离对候选示例进行排序,同时还考虑了候选SQL的相似度,最终选择兼顾问题和SQL相似度的高质量示例。

     4. 推理增强

推理增强方法旨在进一步提升模型在Text-to-SQL任务中的推理和逻辑能力。代表性的方法包括思维链(Chain-of-Thoughts)和最小优先(Least-to-Most)提示等。

思维链提示引导模型进行逐步推理,将推理过程外显化。

最小优先提示则是先将问题分解为子问题,然后逐步求解

     5. 执行细化

执行细化方法利用SQL执行反馈来提升模型生成的准确性。其基本思路是:先让模型生成候选SQL,然后在数据库中执行,根据执行结果(如报错信息)来提示模型纠错和细化生成的SQL。

示例：DIN-SQL，论文中自我纠错模块就是让模型根据数据库反馈迭代优化生成的SQL。

     6. 后处理

1）自纠错机制。如生成的sql让模型纠错，检查有无错误，如语法错误等

2）投票。大模型生成sql不稳定，通过多轮投票稳定结果

3）直接执行。根据执行结果纠错，再返回sql

4、基于微调的Text-to-SQL方法

与基于上下文学习的方法不同,基于微调的方法通过在Text-to-SQL数据集上微调预训练语言模型的参数,让模型习得从自然语言问题生成SQL的能力。我们没有用到此方法，这里就不做介绍了。

5、相关研究工作

介绍上文中提到的两篇text-to-sql解决方案的论文，分别是DAIL-SQL和DIN-SQL

1、DAIL-SQL （阿里）

论文的主要贡献

1）首选在目标问题q和候选集Q中的示例问题(sql-question对)中，屏蔽特定领域词汇，得到目标问题骨架和示例问题question骨架，通过embedding计算欧式距离并进行排序。

2）生成一个初步预测sql，去除sql中的表名，列名和value值，得到sql骨架；对示例问题(sql-question对)中的sql同样去除表名，列名和value值得到sql骨架；计算预测sql和示例sql之间的距离相似度。

3）选择标准优先考虑问题相似度排序的候选项，设定阈值进行控制。

• 问题表示：选取代码展示方式，兼顾外键和规则信息

• 上下文学习

选择：同时采用问题相似度和SQL相似度

组织：仅展示样例的问题-SQL对，保留问句和SQL的映射关系，并容纳更多样例

问题相似度：计算问题Embedding的距离作为相似度的度量

问题骨架相似度：将问题的表名、列名等信息去掉，计算剩下骨架的相似度，例如How many ___ are there ?

SQL相似度：先生成一个初步sql，在计算初步sql与所有sql间keyword的匹配程度计算相似度

展示添加的sql-question:问题+sql展示形式

                                                                   DAIL-SQL架构图

总结：DAIL-SQL本质是对sql-question对进行优化，以期能提供更准确的sql-question供大模型参考

2、DIN-SQL（商汤）

论文的主要贡献

1. 通过任务分解提高基于LLM的文本到SQL模型的性能。

2. 引入针对任务复杂度的自适应提示策略。

3. 在提示的背景下解决模式链接挑战。

4. 使用LLM进行自我纠错。

整体架构图： 将问题分解成更小的子问题，解决每个子问题，并使用这些解决方案来构建原始问题的解决方案。

总结：

• DIN-SQL论文中将sql生成任务分成了三类，即

简单查询(无需join连接即可回答的单表查询)、

非嵌套复杂查询(需要join连接，单不需要子查询)、

嵌套复杂查询(需要join连接，需要子查询)

并分别设置了不同的prompt提示词，用于生成sql

• 设置了自我校正模块，模型去修正一些小错误

DIN-SQL本质上是在提示词上进行优化。