Enhancing SQL generation through high-quality logical guidance

Zhe Zhang

doi:10.1007/s10844-026-01032-z

Enhancing SQL generation through high-quality logical guidance

2026-02-01

2

PRE

AI

DOI：10.1007/s10844-026-01032-z

原文链接

原文求助

摘要

En 中文

大型语言模型（LLMs）能够在无需特定微调的情况下将自然语言问题转换为结构化查询语言（SQL）。通过提供与目标问题具有相似查询逻辑的适当指导示例，LLMs可以更准确地捕捉目标问题与其对应SQL之间的映射关系。现有研究强调使用客观信息（如问题骨架）作为证据来为LLMs选择逻辑指导示例。然而，客观信息的模糊性和不确定性可能导致选择不合适的示例，从而误导LLMs生成错误的或非金标准SQL。在本研究中，我们提出了一种名为LU-SQL的文本到SQL方法，该方法考虑了LLMs的理解能力。具体而言，LU-SQL首先利用LLMs根据精心设计的逻辑表示形式生成对问题的理解，然后通过解释模型解释生成的理解。随后，该方法结合问题骨架和解释后的理解来选择合适的逻辑指导示例。此外，LU-SQL引入了一种新颖的架构链接策略，该策略累积从所选逻辑指导示例的链接过程中获得的链接经验，并将这些经验应用于指导目标案例的链接过程。实验结果表明，LU-SQL在适当指导示例选择性能上最高提升了26%，其SQL生成性能相比基线模型提高了3%以上。

Keyword:

Text-to-SQL

Contextual Learning

Transformer

Graph convolutional network

Enhancing SQL generation through high-quality logical guidance

摘要

期刊

机构

引用论文