Next-Generation Database Interfaces: A Survey of LLM-based Text-to-SQL

将自然语言问题生成准确的SQL（文本到SQL）一直是一个长期的挑战，原因在于用户问题理解、数据库架构理解和SQL生成的复杂性。传统的文本到SQL系统，包括人工工程和深度神经网络，已经取得了实质性的进展。随后，预训练语言模型（PLMs）已经被开发和应用于文本到SQL任务，取得了令人满意的表现。随着现代数据库变得更加复杂，相应的用户问题也变得更具挑战性，导致具有参数限制的PLMs产生不正确的SQL。这需要更复杂和定制的优化方法，进而限制了基于PLM的系统的应用。最近，随着模型规模的增加，大型语言模型（LLMs）在自然语言理解方面展示了显著的能力。因此，将基于LLM的实现集成到文本到SQL研究中，可以带来独特的机会、改进和解决方案。在本调查中，我们提出了LLM基础文本到SQL的全面评估。具体而言，我们提出了技术挑战和文本到SQL的演进过程的简要概述。然后，我们详细介绍了用于评估文本到SQL系统的数据集和指标。之后，我们对LLM基础文本到SQL的最新进展进行了系统分析。最后，我们讨论了这一领域的剩余挑战，并提出了未来研究方向的期望。

综述了大型语言模型（LLM）在文本到SQL任务中的应用和挑战。

使用大型语言模型可以在文本到SQL任务中取得更好的性能。

论文介绍了文本到SQL任务的技术挑战、数据集和评估指标，并系统分析了LLM在文本到SQL任务中的最新进展。实验结果表明LLM在文本到SQL任务中取得了很好的性能表现。此外，论文还讨论了该领域的未来研究方向。

最近的相关研究包括：《SQLNet: Generating Structured Queries From Natural Language Without Reinforcement Learning》、《Editing-Based SQL Query Generation for Cross-Domain Context-Dependent Questions》等。