.png){kind=icon}
返回
PPR-SQL: a robust text-to-SQL system via probabilistic graph pruning and multi-view reasoning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10844-026-01049-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在大规模数据库环境中部署文本到SQL解析器面临两个关键瓶颈：来自模式噪声的结构性断连和跨越不同查询复杂度的推理脆弱性。现有的基于检索的方法通常将模式视为非结构化文本，忽视了由外键定义的拓扑依赖关系，从而导致频繁的“断开连接”失败。为了弥合语义检索与结构感知之间的差距，我们提出了PPR-SQL，一个稳健的粗粒度到细粒度框架。其核心是一个基于个性化PageRank（PPR）的无调优概率模式修剪机制。通过在外键网络上传播相关性分数，它有效恢复结构上必需的桥梁表，实现了95.11%的严格召回率（SRR）——显著超越传统的仅语义检索基线，同时显著压缩了模式搜索空间。补充这种结构基础的是多视角推理，它从简洁到模式感知的逐步思考（Chain-of-Thought）视角合成多样化的SQL候选方案，并通过主动值锚定（AVG）解决实体-值不匹配问题，以及意图一致性重排（ICR）进行可靠选择。在BIRD开发集上的广泛实验表明，PPR-SQL（使用Qwen3 + XiYan集成）达到70.34%的执行准确率，显著优于代表性开源基线，如MAC-SQL（59.39%）、RSL-SQL（67.21%）和单模型XiYan变体，在具有挑战性的多跳查询上表现尤为突出（60.69% vs. 先前方法的40-54%），突显了其在实际数据库系统中的有效性和可部署性。
Keyword:
Text-to-SQL
Large language models
Personalized pagerank
Schema linking
Multi-view reasoning
期刊
J
IF:
3.4
论文数:
78
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏DIN-SQL: Decomposed In-Context Learning of Text-to-SQL with Self-CorrectionDIN-SQL：具有自修正功能的文本到SQL的上下文分解学习
PREAI
分享收藏分享收藏
查看更多内容