.png){kind=icon}
返回
SEA-SQL: semantic-enhanced text-to-SQL with adaptive refinement
.png){kind=icon}
PRE
AI
DOI：10.1007/s11704-025-41136-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期大型语言模型（LLMs）的进步显著推动了Text-to-SQL任务的进展。许多这类工作中的一个共同要求是对SQL查询进行后修正。然而，这一过程的大部分工作涉及分析错误案例，以开发消除模型偏差的规则提示。并且，SQL查询的执行验证存在不足。此外，现有主流技术主要依赖GPT-4和少样本提示，导致成本高昂。为研究在成本高效的方式下进行SQL优化的有效方法，我们提出了具有自适应修正功能的语义增强Text-to-SQL（SEA-SQL），包括自适应偏差消除和动态执行调整，旨在提升性能的同时最小化资源消耗，并使用零样本提示。具体而言，SEA-SQL采用语义增强的架构来扩充数据库信息并优化SQL查询。在SQL查询生成过程中，应用了一个微调的自适应偏差消除器来缓解LLM带来的固有偏差。动态执行调整被用于确保消除偏差后的SQL查询的可执行性。我们在Spider和BIRD数据集上进行实验以验证该框架的有效性。结果表明，SEA-SQL在GPT-3.5场景下以生成成本的9%–58%实现了当前最佳性能。此外，SEA-SQL仅需生成成本的0.9%–5.3%即可与GPT-4相媲美。我们的代码可在github.com/545999961/SEA-SQL网站上获取。
Keyword:
Text-to-SQL
adaptive bias elimination
dynamic execution adjustment
economize
期刊
IF:
4.6
论文数:
1.6K
被引数:
2.8K
机构
引用论文
.png){kind=icon}
分享收藏 没有更多内容
没有更多内容