論文の概要: V-SQL: A View-based Two-stage Text-to-SQL Framework

• arxiv url: http://arxiv.org/abs/2502.15686v1
• Date: Tue, 17 Dec 2024 02:27:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 07:18:48.872576
• Title: V-SQL: A View-based Two-stage Text-to-SQL Framework
• Title（参考訳）: V-SQL:ビューベースの2段階のテキスト・ツー・SQLフレームワーク
• Authors: Zeshun You, Jiebin Yao, Dong Cheng, Zhiwei Wen, Zhiliang Lu, Xianyi Shen,
• Abstract要約: 大規模言語モデル(LLM)に基づくテキスト・ツー・カップリング手法が注目されている。 メインストリームのテキスト・トゥ・カップリングフレームワークの中核となるのはスキーマ・リンクであり、データベース内のユーザ・クエリと関連するテーブルと列をアライメントする。 これまでは、LLMのデータベーススキーマ理解を高めるために、スキーマリンクに重点を置いていた。
• 参考スコア（独自算出の注目度）: 0.9719868595277401
• License:
• Abstract: The text-to-SQL task aims to convert natural language into Structured Query Language (SQL) without bias. Recently, text-to-SQL methods based on large language models (LLMs) have garnered significant attention. The core of mainstream text-to-SQL frameworks is schema linking, which aligns user queries with relevant tables and columns in the database. Previous methods focused on schema linking while neglecting to enhance LLMs' understanding of database schema. The complex coupling relationships between tables in the database constrain the SQL generation capabilities of LLMs. To tackle this issue, this paper proposes a simple yet effective strategy called view-based schema. This strategy aids LLMs in understanding the database schema by decoupling tightly coupled tables into low-coupling views. We then introduce V-SQL, a view-based two-stage text-to-SQL framework. V-SQL involves the view-based schema strategy to enhance LLMs' understanding of database schema. Results on the authoritative datasets Bird indicate that V-SQL achieves competitive performance compared to existing state-of-the-art methods.
• Abstract（参考訳）: テキストからSQLへのタスクは、自然言語をバイアスなしで構造化クエリ言語(SQL)に変換することを目的としている。 近年,大規模言語モデル(LLM)に基づくテキストからSQLへの手法が注目されている。 メインストリームのテキスト-SQLフレームワークの中核はスキーマリンクであり、データベース内のユーザクエリと関連するテーブルと列をアライメントする。 以前の方法は、LLMのデータベーススキーマ理解を強化するために無視しながらスキーマリンクに焦点を当てていた。 データベース内のテーブル間の複雑な結合関係は、LLMのSQL生成能力を制約します。 この問題に対処するために、ビューベーススキーマと呼ばれるシンプルで効果的な戦略を提案する。 この戦略は、密結合したテーブルを低結合のビューに分離することで、LLMがデータベーススキーマを理解するのに役立つ。 次に、ビューベースの2段階のテキスト・ツー・SQLフレームワークであるV-SQLを紹介します。 V-SQLにはビューベースのスキーマ戦略が含まれており、LLMのデータベーススキーマ理解を強化する。 権威データセットの結果 Birdは、V-SQLが既存の最先端の手法と比較して、競争力のあるパフォーマンスを達成していることを示している。

関連論文リスト

• PSM-SQL: Progressive Schema Learning with Multi-granularity Semantics for Text-to-SQL [8.416319689644556]
  冗長性を持った膨大な数のデータベーススキーマのため、タスクの変換は困難である。 マルチグラニュラリティセマンティクス(PSM-)とリンクするプログレッシブスキーマを提案する。 PSM-は列、テーブル、データベースレベルでスキーマのセマンティクスを学ぶ。
  論文  参考訳（メタデータ） (2025-02-07T08:31:57Z)
• Extractive Schema Linking for Text-to-SQL [17.757832644216446]
  テキスト・トゥ・ワンは、現実世界のデータベースの実用的なインターフェースとして現れつつある。 本稿では,デコーダのみのLLMをスキーマリンクに適用するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-23T19:57:08Z)
• RSL-SQL: Robust Schema Linking in Text-to-SQL Generation [51.00761167842468]
  本稿では、双方向スキーマリンク、コンテキスト情報拡張、バイナリ選択戦略、マルチターン自己補正を組み合わせたRSLと呼ばれる新しいフレームワークを提案する。 ベンチマークの結果,オープンソースのソリューション間でのSOTA実行精度は67.2%,BIRDは87.9%,GPT-4オクルージョンは87.9%であった。 提案手法は,DeepSeekを同一のプロンプトで適用した場合,GPT-4ベースのテキスト・ツー・シークシステムよりも優れている。
  論文  参考訳（メタデータ） (2024-10-31T16:22:26Z)
• RB-SQL: A Retrieval-based LLM Framework for Text-to-SQL [48.516004807486745]
  文脈内学習を伴う大規模言語モデル(LLM)は、テキスト・ツー・タスクの性能を大幅に改善した。 In-context prompt Engineering のための新しい検索ベースフレームワーク RB- を提案する。 実験により,我々のモデルは,公開データセットのBIRDとSpiderの競合ベースラインよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2024-07-11T08:19:58Z)
• PET-SQL: A Prompt-Enhanced Two-Round Refinement of Text-to-SQL with Cross-consistency [19.067737007347613]
  スパイダーベンチマークで新しいSOTA結果が得られ、実行精度は87.6%である。 提案手法は, 87.6%の精度で, スパイダーベンチマークで新しいSOTA結果が得られる。
  論文  参考訳（メタデータ） (2024-03-13T02:32:41Z)
• Schema-Aware Multi-Task Learning for Complex Text-to-SQL [4.913409359995421]
  複雑なsqlクエリのためのスキーマ対応マルチタスク学習フレームワーク(MT)を提案する。 具体的には、有効な質問スキーマリンクを識別するために、識別器モジュールを設計する。 デコーダ側では、テーブルと列の接続を記述するために、6種類の関係を定義します。
  論文  参考訳（メタデータ） (2024-03-09T01:13:37Z)
• An In-Context Schema Understanding Method for Knowledge Base Question Answering [70.87993081445127]
  大きな言語モデル(LLM)は、言語理解において強力な能力を示しており、この課題を解決するために使用することができる。 既存のメソッドは、当初、スキーマ固有の詳細を使わずにLLMを使用してロジックフォームのドラフトを生成することで、この課題を回避している。 そこで本研究では,LLMが文脈内学習を利用してスキーマを直接理解できる簡易なインコンテキスト理解(ICSU)手法を提案する。
  論文  参考訳（メタデータ） (2023-10-22T04:19:17Z)
• SQL-PaLM: Improved Large Language Model Adaptation for Text-to-SQL (extended) [53.95151604061761]
  本稿では,大規模言語モデル(LLM)を用いたテキスト・ツー・フィルタリングのフレームワークを提案する。 数発のプロンプトで、実行ベースのエラー解析による一貫性復号化の有効性について検討する。 命令の微調整により、チューニングされたLLMの性能に影響を及ぼす重要なパラダイムの理解を深める。
  論文  参考訳（メタデータ） (2023-05-26T21:39:05Z)
• STAR: SQL Guided Pre-Training for Context-dependent Text-to-SQL Parsing [64.80483736666123]
  文脈依存型テキスト・ツー・パースのための新しい事前学習フレームワークSTARを提案する。 さらに,STARを事前学習するための大規模コンテキスト依存型テキスト対話コーパスを構築した。 大規模な実験により、STARは2つの下流ベンチマークで新しい最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2022-10-21T11:30:07Z)
• Semantic Enhanced Text-to-SQL Parsing via Iteratively Learning Schema Linking Graph [6.13728903057727]
  新しいデータベースへの一般化性は、人間の発話を insql 文を解析することを目的とした Text-to- システムにとって極めて重要である。 本稿では,質問トークンとデータベーススキーマ間のセマンティックなスキーマリンクグラフを反復的に構築するIS ESLというフレームワークを提案する。 3つのベンチマークでの大規模な実験により、IS ESLはベースラインを一貫して上回り、さらなる調査ではその一般化可能性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-08-08T03:59:33Z)
• Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
  本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。 スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。 我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2022-06-28T14:05:25Z)

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。