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

将自然语言问题转换为准确的SQL语句（文本到SQL）是一个长期存在的挑战，因为涉及到用户问题理解、数据库架构理解和SQL生成的复杂性。传统的文本到SQL系统由人工工程和深度神经网络组成，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，取得了有希望的表现。随着现代数据库变得越来越复杂，相应的用户问题也变得更具挑战性，PLMs的理解能力受到限制，导致生成不正确的SQL语句。这需要更复杂和定制化的优化方法来优化PLMs，进而限制了基于PLM的系统的应用。最近，随着模型规模的不断增加，大语言模型（LLMs）在自然语言理解方面展示出了显著的能力。因此，将LLM-based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。在本综述中，我们提出了LLM-based文本到SQL的全面综述。具体而言，我们提出了技术挑战和文本到SQL的演化过程的简要概述。然后，我们介绍了设计用于评估文本到SQL系统的数据集和指标的详细介绍。在此之后，我们对LLM-based文本到SQL的最新进展进行了系统分析。最后，我们讨论了这个领域面临的剩余挑战，并提出了未来研究方向的期望。

LLM-based text-to-SQL for natural language understanding in complex databases

Utilizing large language models to improve text-to-SQL performance in complex databases

The paper presents a comprehensive review of LLM-based text-to-SQL, including technical challenges, datasets, and recent advances. The experiments were designed using standard benchmarks and open-source code. The paper proposes future research directions for LLM-based text-to-SQL.

Related studies include 'A Survey of Text-to-SQL Generation Techniques', 'Neural Network-based Text-to-SQL Generation: A Review', and 'Improving Text-to-SQL Generation with Data Augmentation'.