論文の概要: Prompting GPT-3.5 for Text-to-SQL with De-semanticization and Skeleton
Retrieval
- arxiv url: http://arxiv.org/abs/2304.13301v2
- Date: Thu, 31 Aug 2023 15:24:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 16:51:23.699688
- Title: Prompting GPT-3.5 for Text-to-SQL with De-semanticization and Skeleton
Retrieval
- Title(参考訳): De-semanticization と Skeleton Retrieval を用いたテキストからSQLへの GPT-3.5 のプロンプト
- Authors: Chunxi Guo, Zhiliang Tian, Jintao Tang, Pancheng Wang, Zhihua Wen,
Kang Yang and Ting Wang
- Abstract要約: Text-to-は、自然言語の質問を構造化されたクエリ言語()に変換し、データベースから情報を取得するタスクである。
本稿では,テキスト・トゥ・テキストのための LLM ベースのフレームワークを提案する。
我々は,疑問骨格を抽出する非意味化機構を設計し,その構造的類似性に基づいて類似した例を検索する。
- 参考スコア(独自算出の注目度): 17.747079214502673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-to-SQL is a task that converts a natural language question into a
structured query language (SQL) to retrieve information from a database. Large
language models (LLMs) work well in natural language generation tasks, but they
are not specifically pre-trained to understand the syntax and semantics of SQL
commands. In this paper, we propose an LLM-based framework for Text-to-SQL
which retrieves helpful demonstration examples to prompt LLMs. However,
questions with different database schemes can vary widely, even if the
intentions behind them are similar and the corresponding SQL queries exhibit
similarities. Consequently, it becomes crucial to identify the appropriate SQL
demonstrations that align with our requirements. We design a de-semanticization
mechanism that extracts question skeletons, allowing us to retrieve similar
examples based on their structural similarity. We also model the relationships
between question tokens and database schema items (i.e., tables and columns) to
filter out scheme-related information. Our framework adapts the range of the
database schema in prompts to balance length and valuable information. A
fallback mechanism allows for a more detailed schema to be provided if the
generated SQL query fails. Ours outperforms state-of-the-art models and
demonstrates strong generalization ability on three cross-domain Text-to-SQL
benchmarks.
- Abstract(参考訳): text-to-sqlは、自然言語質問を構造化クエリ言語(sql)に変換し、データベースから情報を取得するタスクである。
大規模言語モデル(LLM)は自然言語生成タスクではうまく機能するが、SQLコマンドの構文や意味を理解するための事前訓練はされていない。
本稿では,テキストからsqlへの変換を行うためのllmベースのフレームワークを提案する。
しかし、データベーススキーマが異なる質問は、背後にある意図が似ていて、対応するSQLクエリが類似しているとしても、大きく異なる可能性がある。
その結果、要件に合致する適切なsqlデモを特定することが重要になります。
疑問骨格を抽出する非意味化機構を設計し,その構造的類似性に基づいて類似例を検索する。
また,質問トークンとデータベーススキーマ項目(テーブルや列など)の関係をモデル化し,スキーム関連の情報をフィルタする。
我々のフレームワークはデータベーススキーマの範囲に適応し、長さと貴重な情報のバランスを取る。
フォールバックメカニズムにより、生成されたSQLクエリーが失敗した場合、より詳細なスキーマを提供することができる。
我々のモデルは最先端モデルより優れており、3つのクロスドメインのText-to-SQLベンチマークで強力な一般化能力を示している。
関連論文リスト
- Structure Guided Large Language Model for SQL Generation [16.338457554910573]
本稿では,構造情報を活用する構造間フレームワークを提案する。
SGU-は構造化された方法でユーザクエリとデータベースをリンクする。
その後、文法木で複雑な構造を分解し、LCMを誘導してステップバイステップを生成する。
論文 参考訳(メタデータ) (2024-02-19T09:07:59Z) - SQLformer: Deep Auto-Regressive Query Graph Generation for Text-to-SQL
Translation [4.504050940874427]
本稿では,テキストから翻訳タスクを実行するためのトランスフォーマーアーキテクチャを提案する。
我々のモデルは、エンコーダ層とデコーダ層に構造バイアスを組み込んで、自動回帰的にクエリを抽象構文木(AST)として予測する。
私たちの実装はhttps://Adrian.com/BZG/former.comで公開されています。
論文 参考訳(メタデータ) (2023-10-27T00:13:59Z) - Retrieval-augmented GPT-3.5-based Text-to-SQL Framework with
Sample-aware Prompting and Dynamic Revision Chain [21.593701177605652]
サンプルと動的リビジョンチェーンを含むテキスト・ツー・アウェア・プロンプト・フレームワークを提案する。
提案手法は,質問項目のサンプルと詳細な情報を含む。
人間の介入なしに実行可能で正確なスクルを生成するために、我々は、きめ細かいフィードバックを反復的に適応する動的リビジョンチェーンを設計する。
論文 参考訳(メタデータ) (2023-07-11T07:16:22Z) - UNITE: A Unified Benchmark for Text-to-SQL Evaluation [72.72040379293718]
テキスト・ツー・ドメイン・システムのためのUNIfiedベンチマークを導入する。
公開されているテキストからドメインへのデータセットと29Kデータベースで構成されている。
広く使われているSpiderベンチマークと比較すると、SQLパターンの3倍の増加が紹介されている。
論文 参考訳(メタデータ) (2023-05-25T17:19:52Z) - XRICL: Cross-lingual Retrieval-Augmented In-Context Learning for
Cross-lingual Text-to-SQL Semantic Parsing [70.40401197026925]
大規模言語モデルを用いたインコンテキスト学習は、最近セマンティック解析タスクの驚くべき結果を示している。
この研究は、あるクエリに対して関連する英語の例を検索する学習を行うXRICLフレームワークを導入している。
また、大規模言語モデルの翻訳プロセスを容易にするために、対象言語に対するグローバルな翻訳例も含んでいる。
論文 参考訳(メタデータ) (2022-10-25T01:33:49Z) - Towards Generalizable and Robust Text-to-SQL Parsing [77.18724939989647]
本稿では,タスク分解,知識獲得,知識構成からなる新しいTKKフレームワークを提案する。
このフレームワークは,Spider,SParC,Co.データセット上でのすべてのシナリオと最先端のパフォーマンスに有効であることを示す。
論文 参考訳(メタデータ) (2022-10-23T09:21:27Z) - A Survey on Text-to-SQL Parsing: Concepts, Methods, and Future
Directions [102.8606542189429]
テキストからコーパスへのパースの目的は、自然言語(NL)質問をデータベースが提供するエビデンスに基づいて、対応する構造化クエリ言語()に変換することである。
ディープニューラルネットワークは、入力NL質問から出力クエリへのマッピング関数を自動的に学習するニューラルジェネレーションモデルによって、このタスクを大幅に進歩させた。
論文 参考訳(メタデータ) (2022-08-29T14:24:13Z) - UniSAr: A Unified Structure-Aware Autoregressive Language Model for
Text-to-SQL [48.21638676148253]
We present UniSAr (Unified Structure-Aware Autoregressive Language Model), which is benefit of using a off-the-shelf language model。
具体的には、UniSArは既存の自己回帰モデルを拡張して、3つの非侵襲的拡張を組み込んで構造認識する。
論文 参考訳(メタデータ) (2022-03-15T11:02:55Z) - SADGA: Structure-Aware Dual Graph Aggregation Network for Text-to-SQL [29.328698264910596]
Text-to-Graphの最も難しい問題の1つは、トレーニングされたモデルを見えないデータベーススキーマに一般化する方法である。
クロスドメインテキスト・トゥ・グラフのための構造対応デュアルグラフアグリゲーションネットワーク(SADGA)を提案する。
執筆時点では、挑戦的なText-to-GraphベンチマークのSpiderで3位を獲得しました。
論文 参考訳(メタデータ) (2021-11-01T01:50:28Z) - Dual Reader-Parser on Hybrid Textual and Tabular Evidence for Open
Domain Question Answering [78.9863753810787]
世界の知識は構造化データベースに保存されている。
クエリ言語は、複雑な推論を必要とする質問に答えるだけでなく、完全な説明可能性を提供することができる。
論文 参考訳(メタデータ) (2021-08-05T22:04:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。