CHESS: Contextual Harnessing for Efficient SQL Synthesis

利用大型语言模型（LLMs）将自然语言问题转化为SQL查询（文本到SQL）是一种有前途但具有挑战性的方法，特别是当应用于具有复杂和广泛模式的现实世界数据库时。特别是，在SQL生成过程中有效地结合数据目录和数据库值仍然是一个障碍，导致次优解。我们通过提出一个新的流程来解决这个问题，该流程有效地检索相关数据和上下文，选择一个高效的模式，并合成正确和高效的SQL查询。为了提高检索精度，我们的流程引入了一种分层检索方法，利用模型生成的关键词、局部敏感哈希索引和向量数据库。此外，我们开发了一种自适应模式修剪技术，根据问题的复杂性和模型的上下文大小进行调整。我们的方法适用于像GPT-4这样的前沿专有模型和开源模型，例如Llama-3-70B。通过一系列消融研究，我们展示了我们流程的每个组件的有效性及其对端到端性能的影响。我们的方法在跨领域具有挑战性的BIRD数据集上实现了新的最先进性能。

论文旨在解决利用大型语言模型将自然语言问题转化为SQL查询的问题，特别是在应用于具有复杂和广泛模式的真实世界数据库时。

论文提出了一种新的流程，通过有效检索相关数据和上下文，选择高效的模式，并合成正确和高效的SQL查询来解决问题。

论文通过引入层次检索方法、局部敏感哈希索引和向量数据库来提高检索精度，并开发了一种自适应的模式剪枝技术来根据问题的复杂性和模型的上下文大小进行调整。实验结果表明，该方法在跨领域挑战性的BIRD数据集上取得了新的最佳性能。

最近的相关研究包括利用深度学习模型进行文本到SQL的转换，如Seq2SQL、SQLNet和EditSQL等。