前言

我們來看看大模型在text2sql上的一篇綜述，大模型的發展，出現了一系列新方法，主要集中在提示工程（prompt engineering）和微調（fine-tuning）上。這篇綜述提供了LLMs在Text-to-SQL任務中的全面概述，討論了基準數據集、提示工程、微調方法和未來的研究方向。

Text2SQL

利用大型語言模型（LLMs）解決文本到SQL任務的方法，主要包括提示工程和微調兩大類。

1.提示工程

提示工程通過設計結構化的提示，使LLMs能夠理解任務需求并生成相應的SQL查詢。提示工程分為三個階段：預處理、推理和后處理。

• 預處理：包括問題描述和數據庫模式的格式化和布局，以及引入額外的SQL知識或外部知識。問題描述可以采用Openai模板或"Create Table"布局，樣本數據可以幫助LLM更好地理解數據庫內容。

• 推理：在接收到用戶問題和數據庫模式后，生成相應的SQL查詢。推理過程可以設計特定的工作流，如Chain-of-Thought和Least-to-Most方法，也可以使用Demonstrations來增強SQL生成能力。
• 后處理：對生成的SQL進行優化，提高其性能和穩定性。常見的后處理方法包括自校正（Self-Correction）和一致性方法（Self-Consistency和Cross-Consistency）。

2.微調

微調通過在特定任務數據上訓練LLMs來提升其性能。微調過程包括數據準備、預訓練模型選擇、模型微調和模型評估。

• 數據：可以通過整合現有數據集或構建新數據集來獲取訓練數據。新數據集可以通過半自動或全自動的方法生成。
• 預訓練模型選擇：選擇適合的預訓練模型進行微調，考慮模型參數規模、預訓練語料庫和計算能力等因素。
• 模型微調：采用全量微調和參數高效微調等方法。參數高效微調通過僅微調少量模型參數來提高訓練效率。
• 模型評估：通過綜合指標分析、分類分析和基于LLM的分析評估來衡量模型性能。常用的評估指標包括精確集匹配準確率（EM）、執行準確率（EX）、測試集準確率（TS）和有效效率得分（VES）。

參考文獻

A Survey on Employing Large Language Models for Text-to-SQL Tasks，https://arxiv.org/pdf/2407.15186v3

本文轉載自公眾號大模型自然語言處理  作者：余俊暉

原文鏈接：??https://mp.weixin.qq.com/s/UxDDIF63j8R2yozJ8XtDQw??