CHESS: Contextual Harnessing for Efficient SQL Synthesis

利用大型语言模型（LLMs）将自然语言问题转换为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真实世界数据库时。特别是，有效地将数据目录和数据库值纳入SQL生成仍然是一个障碍，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，我们的流程引入了分层检索方法，利用模型生成的关键字，局部敏感哈希索引和向量数据库。此外，我们还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。我们的方法适用于前沿的专有模型（如GPT-4）和开源模型（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。

论文提出了一种解决自然语言问题转化为SQL查询的方法，特别是针对具有复杂和广泛模式的真实世界数据库。该方法解决了如何有效地将数据目录和数据库值纳入SQL生成的问题，以获得最优解。

该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。为了提高检索精度，该流程引入了分层检索方法，利用模型生成的关键字、局部敏感哈希索引和向量数据库。此外，该论文还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。

该论文通过一系列消融研究证明了其流程的各个组成部分的有效性及其对端到端性能的影响。该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。

最近在这个领域中，还有其他研究，如《SQLNet: Generating Structured Queries from Natural Language Without Reinforcement Learning》和《Seq2SQL: Generating Structured Queries from Natural Language Using Reinforcement Learning》。