发布于：2024 年 12 月 03 日 星期二 北京
#NL2SQL #阿里巴巴 #Text-to-SQL
文提出了一种用于自然语言到 SQL 转换的多生成器集成框架 ——XiYan-SQL，旨在应对大型语言模型在 NL2SQL 任务中的挑战。该框架融合提示工程与监督微调（SFT）方法，利用 SFT 的可控性与上下文学习（ICL）潜力提升 SQL 查询质量与多样性。引入的 M-Schema 半结构化模式表示法增强数据库理解，其在多模型实验中表现优于传统模式。在模式链接环节精准筛选数据元素；候选生成阶段，微调 SQL 发生器经两阶段训练定制模型，ICL SQL 发生器依骨架相似选例，SQL 精炼器纠错优化；候选选择模块突破传统自一致性局限，训练模型精准抉择。多数据集实验验证 XiYan-SQL 优势，在 Spider、SQL-Eval、NL2GQL 达领先准确率，消融研究证实各组件关键作用，为 NL2SQL 任务开辟新径、引领发展。关注公众号【AIGC前沿技术追踪】后回复 XiYan 获取第一手英文翻译稿。
一、引言
在当今数字化时代，海量数据存储于各类数据库中，如何让非专业用户也能便捷地从复杂数据集中提取有价值信息，成为一项关键挑战。自然语言到 SQL（NL2SQL）技术应运而生，它能将自然语言查询转化为结构化查询语言（SQL），极大地提升了数据访问的效率与便捷性。大型语言模型（LLMs）的迅猛发展为 NL2SQL 应用注入强大动力，然而现有基于 LLMs 的 NL2SQL 解决方案仍存在诸多不足。
1.1 现有 NL2SQL 解决方案的局限
当前，基于 LLMs 的 NL2SQL 解决方案主要有提示工程和监督微调（SFT）两种途径。提示工程通过优化提示利用模型固有能力生成多样 SQL 查询，在零样本或少量样本提示的 NL2SQL 任务中成效显著，像 GPT-4 和 Gemini 1.5 等闭源大参数模型潜力巨大、泛化能力强，但多路径生成与自一致性选优的方式致使推理开销高昂。SFT 方法则在 NL2SQL 任务上对小参数模型微调，以生成更可控 SQL 查询，如 CodeS 虽能产生可控结果，却因参数有限，在复杂 NL2SQL 推理及新领域数据库迁移时力不从心。
1.2 XiYan-SQL 的创新理念
为攻克这些难题，XiYan-SQL 框架闪亮登场。它巧妙融合提示工程与 SFT 方法之长，在候选生成阶段展现出卓越性能。一方面，凭借 SFT 的高可控性，精心设计系列训练策略微调模型，生成风格各异、高质量的候选 SQL 查询；另一方面，借助上下文学习（ICL）的强大功能提升候选多样性与复杂查询生成能力。同时，引入 M-schema 这一新颖的半结构化模式表示法，助力 LLMs 更好地把握数据库架构，还通过优化各组件及精细的候选选择策略，全方位提升 NL2SQL 任务的处理水平。