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

生成符合自然语言问题的SQL查询语句（文本到SQL）是一个长期存在的问题，因为它涉及到用户问题理解、数据库模式理解和SQL生成等方面的挑战。传统的文本到SQL系统包括人工工程和深度神经网络。随后，预训练语言模型（PLMs）已经被开发和应用于文本到SQL任务中，取得了有希望的表现。随着现代数据库变得更加复杂，相应的用户问题也变得更加具有挑战性，具有有限理解能力的PLMs可能会导致不正确的SQL生成。这需要更复杂和定制化的优化方法，进而限制了基于PLM的系统的应用。最近，大型语言模型（LLMs）在自然语言理解方面展示了显著的能力，随着模型规模的增加。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遇、挑战和解决方案。在本综述中，我们提供了LLM-based文本到SQL的全面回顾。具体而言，我们提出了当前挑战和文本到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信息。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，我们讨论了这一领域中尚未解决的挑战，并提出了未来发展的期望。

本论文旨在解决文本到SQL转换中的挑战，包括用户问题理解、数据库模式理解和SQL生成等问题。同时，作者提出了基于大型语言模型（LLM）的文本到SQL转换方案，以提高系统的性能。

本论文的关键思路是使用基于大型语言模型的方法来进行文本到SQL转换，通过预训练的模型来提高系统的性能。相比现有的PLM方法，LLM可以更好地理解自然语言，从而生成更准确的SQL语句。

论文介绍了用于评估文本到SQL转换系统的数据集和指标，并对最近基于LLM的文本到SQL转换方法进行了系统分析。作者还提出了未来研究的方向，如如何提高系统的可解释性和如何处理复杂的SQL查询等。此外，作者还公开了他们的代码和数据集，以便其他研究人员进行复现和扩展。

最近的相关研究包括“Neural semantic parsing with type constraints for semi-structured tables”和“SyntaxSQLNet: Syntax Tree Networks for Complex and Cross-Domain Text-to-SQL Task”等。