論文の概要: Exploring the Landscape of Text-to-SQL with Large Language Models: Progresses, Challenges and Opportunities

• arxiv url: http://arxiv.org/abs/2505.23838v1
• Date: Wed, 28 May 2025 13:23:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.555069
• Title: Exploring the Landscape of Text-to-SQL with Large Language Models: Progresses, Challenges and Opportunities
• Title（参考訳）: 大規模言語モデルによるテキストからSQLへのランドスケープの探索 - 進歩,課題,機会
• Authors: Yiming Huang, Jiyu Guo, Wenxin Mao, Cuiyun Gao, Peiyi Han, Chuanyi Liu, Qing Ling,
• Abstract要約: 大規模言語モデル(LLM)の最近の進歩は、自然言語処理(NLP)の分野を著しく推進し、テキスト・ツー・リレーショナル・システムを改善するための新たな道を開いた。 本研究では,4つの重要な側面に焦点をあてて,テキスト・ツー・リレーショナルの体系的レビューを行う。 この調査は、LLMベースのテキスト・ツー・リレーショナルの深い理解に拍車をかけたもので、この分野の新たな革新と進歩を引き起こしている。
• 参考スコア（独自算出の注目度）: 23.63038939411147
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Converting natural language (NL) questions into SQL queries, referred to as Text-to-SQL, has emerged as a pivotal technology for facilitating access to relational databases, especially for users without SQL knowledge. Recent progress in large language models (LLMs) has markedly propelled the field of natural language processing (NLP), opening new avenues to improve text-to-SQL systems. This study presents a systematic review of LLM-based text-to-SQL, focusing on four key aspects: (1) an analysis of the research trends in LLM-based text-to-SQL; (2) an in-depth analysis of existing LLM-based text-to-SQL techniques from diverse perspectives; (3) summarization of existing text-to-SQL datasets and evaluation metrics; and (4) discussion on potential obstacles and avenues for future exploration in this domain. This survey seeks to furnish researchers with an in-depth understanding of LLM-based text-to-SQL, sparking new innovations and advancements in this field.
• Abstract（参考訳）: 自然言語(NL)質問をSQLクエリに変換するText-to-SQLは、リレーショナルデータベースへのアクセスを容易にする重要な技術として、特にSQLの知識のないユーザのために登場した。 大規模言語モデル(LLM)の最近の進歩は、自然言語処理(NLP)の分野を著しく推進し、テキスト-SQLシステムを改善するための新たな道を開いた。 本研究では, LLMベースのテキスト・トゥ・SQLの研究動向の分析, (2) LLMベースの既存のテキスト・トゥ・SQL技術の詳細分析, (3) 既存のテキスト・トゥ・SQLデータセットと評価指標の要約, (4) この領域における潜在的障害と今後の探索への道のりについて, 4つの重要な側面に着目して, LLMベースのテキスト・トゥ・SQLの体系的なレビューを行う。 この調査は、LLMベースのテキストからSQLへの深い理解を研究者に提供することを目的としており、この分野の新たな革新と進歩を引き起こしている。

関連論文リスト

• A Survey of Large Language Model-Based Generative AI for Text-to-SQL: Benchmarks, Applications, Use Cases, and Challenges [0.7889270818022226]
  自然言語クエリを構造化クエリ言語(技術)に変換することで,データベースとのスムーズな対話を容易にする この調査は、AI駆動のテキスト・ツー・ワンシステムの進化の概要を提供する。 医療、教育、金融といった分野におけるテキスト・ツー・ワンの適用について検討する。
  論文  参考訳（メタデータ） (2024-12-06T17:36:28Z)
• Towards Evaluating Large Language Models for Graph Query Generation [49.49881799107061]
  大言語モデル(LLM)は、生成人工知能(GenAI)の景観に革命をもたらしている 本稿では,オープンアクセス LLM を用いてグラフデータベースと対話する強力な言語としてクエリを生成することの課題について比較検討する。 クエリ生成精度を実証的に分析したところ、Claude Sonnet 3.5は特定のドメインでそれよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-13T09:11:56Z)
• PTD-SQL: Partitioning and Targeted Drilling with LLMs in Text-to-SQL [54.304872649870575]
  大規模言語モデル(LLM)は、テキスト・トゥ・センス・タスクの強力なツールとして登場した。 本研究では,クエリグループパーティショニングを用いることで,単一問題に特有の思考プロセスの学習に集中できることを示す。
  論文  参考訳（メタデータ） (2024-09-21T09:33:14Z)
• A Survey of Text-to-SQL in the Era of LLMs: Where are we, and where are we going? [32.84561352339466]
  我々は,Large Language Models (LLMs) を利用したテキスト翻訳技術についてレビューする。 LLM時代におけるテキスト・ツー・アセスメントの研究課題とオープンな課題について論じる。
  論文  参考訳（メタデータ） (2024-08-09T14:59:36Z)
• A Survey on Employing Large Language Models for Text-to-SQL Tasks [9.527891544418805]
  リレーショナルデータベースにおけるデータ量の増加は、ユーザがデータにアクセスして分析する上での課題を引き起こします。 Text-to-sql (Text2) は自然言語処理(NLP)技術を用いて自然言語のintsqlクエリを変換することで問題を解決する。 LLM(Large Language Models)の開発により、LLMベースのText2メソッドが出現した。
  論文  参考訳（メタデータ） (2024-07-21T14:48:23Z)
• SQLfuse: Enhancing Text-to-SQL Performance through Comprehensive LLM Synergy [24.919119901664843]
  本稿では,オープンソースのLarge Language Models(LLM)を,クエリの精度とユーザビリティを高めるための一連のツールに統合する,堅牢なシステムを提案する。 Ant GroupによるSpider Leaderboardとデプロイメントのリードパフォーマンスによって実証された。
  論文  参考訳（メタデータ） (2024-07-19T06:01:57Z)
• Next-Generation Database Interfaces: A Survey of LLM-based Text-to-SQL [15.75829309721909]
  大規模言語モデル(LLM)は、モデルスケールが増大するにつれて、自然言語理解において重要な能力を示している。 LLMは、テキスト・ツー・リサーチにユニークな機会、改善、ソリューションをもたらすことができる。
  論文  参考訳（メタデータ） (2024-06-12T17:13:17Z)
• Text-to-SQL Empowered by Large Language Models: A Benchmark Evaluation [76.76046657162306]
  大規模言語モデル(LLM)はテキスト・ツー・タスクの新しいパラダイムとして登場した。 大規模言語モデル(LLM)はテキスト・ツー・タスクの新しいパラダイムとして登場した。
  論文  参考訳（メタデータ） (2023-08-29T14:59:54Z)
• 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)
• 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)

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。