.png){kind=icon}
返回
DKASQL: Dynamic Knowledge Adaptation for Domain-Specific Text-to-SQL
.png){kind=icon}
OA
AI
DOI：10.3390/app152011121.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Text2SQL旨在将自然语言查询转换为结构化查询语言（SQL）。基于LLM的Text2SQL方法因其强大的语言理解和转换能力而逐渐成为主流。然而，在涉及非公开或有限数据资源的实际场景中，这些方法仍面临领域知识不足、违反领域特定约束的SQL生成以及幻觉等问题。为解决这些挑战，本文提出DKASQL，一种基于动态知识适应的领域特定Text2SQL方法。该方法包含提取模块、生成模块和基于LLM的验证模块。通过迭代式的提取-验证和生成-验证机制，动态更新所需知识，有效提升领域知识获取能力以及生成SQL与领域知识的对齐度。为提升效率，DKASQL还引入了记忆存储机制，自动保留常用领域知识以减少迭代开销。在开源多领域数据集BIRD和来自电力供应链领域的ElecSQL数据集上的实验表明，DKASQL实现了显著的性能提升。使用7B和32B基模型时，DKASQL的性能可媲美GPT-4o mini和DeepSeek-V3等更大模型，同时计算开销更小。例如，在ElecSQL上，DKASQL相较GPT-4o mini将执行成功率（ESR）最高提升+26.9%，结果准确率（RA）最高提升+8.8%，凸显了其在领域特定Text2SQL任务中的有效性。
Keyword:
text-to-SQL
dynamic knowledge adaptation
large language model
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
.png){kind=icon}
GLM: General Language Model Pretraining with Autoregressive Blank InfillingGLM: 具有自回归空白填充的通用语言模型预训练
OAAI
OAAI分享收藏