Structure Guided Large Language Model for SQL Generation

生成准确的结构化查询语言（SQL）一直是一个长期存在的问题，特别是在将用户的语义查询与结构化数据库匹配并生成结构化SQL方面。现有的模型通常将查询和数据库架构输入到LLM中，并依赖LLM执行语义-结构匹配并生成结构化SQL。然而，这样的解决方案忽视了用户查询和数据库中的结构信息，这些信息可以用来增强结构化SQL的生成。这种疏忽可能导致SQL的生成不准确或无法执行。为了充分利用结构，我们提出了一种结构到SQL框架，利用内在的结构信息来改进LLM的SQL生成。具体而言，我们引入了我们的结构引导SQL（SGU-SQL）生成模型。SGU-SQL首先以结构增强的方式链接用户查询和数据库。然后，它使用语法树分解复杂的链接结构，逐步指导LLM生成SQL。在两个基准数据集上进行的广泛实验表明，SGU-SQL可以胜过十六个SQL生成基线。

提高SQL生成的准确性和可执行性，利用用户查询和数据库的结构信息来改进LLM生成SQL的能力。

提出了一种结构引导的SQL生成模型（SGU-SQL），它通过结构增强的方式连接用户查询和数据库，并使用语法树分解复杂的链接结构，逐步引导LLM生成SQL。

SGU-SQL在两个基准数据集上的实验表明，它比十六个SQL生成基线更有效。论文还介绍了模型的详细设计和实验结果，并提供了开源代码。

与该论文相关的研究包括：《Neural Machine Translation of Rare Words with Subword Units》、《A Neural Transducer》、《SyntaxSQLNet: Syntax Tree Networks for Complex and Cross-Domain Text-to-SQL Task》等。