c_cpp_csharp的专栏

关系数据库中存储的数据量不断增加，导致各个部门需要高效查询和利用这些数据。但是，编写 SQL 查询需要专业知识，这对尝试访问和查询数据库的非专业用户构成了挑战。文本到 SQL 解析通过将自然语言查询转换为 SQL 查询来解决此问题，从而使非专家用户更容易访问数据库。为了利用大型语言模型 （LLM） 的最新发展，出现了一系列新方法，主要侧重于提示工程和微调。本调查全面概述了文本到 SQL 任务中的 LLM，讨论了基准数据集、提示工程、微调方法和未来的研究方向。

大型语言模型（LLM）技术在自然语言到SQL（NL2SQL）的翻译中发挥着越来越重要的作用。通过广泛的语料库训练的LLM具有很强的自然语言理解和基本的SQL生成能力，而无需针对NL2SQL任务进行额外的调整。现有的基于LLM的NL2SQL方法试图通过增强LLM来改进翻译，并强调对用户意图的理解。然而，LLM有时由于缺乏组织复杂逻辑运算符组合的知识而无法生成适当的SQL。一种很有前途的方法是通过演示输入LLM，其中包括来自各种数据库的已知NL2SQL翻译。LLM可以从给定任务的输入演示中学习组织运算符组合。

大型语言模型（LLM）已成为推进文本到SQL任务的强大工具，显著优于传统方法。然而，作为一个新兴的研究领域，对于最佳的提示模板和设计框架仍然没有达成共识。此外，现有的基准测试没有充分探讨LLM在文本到SQL过程的各个子任务中的性能，这阻碍了LLM认知能力的评估和基于LLM的解决方案的优化。为了解决上述问题，我们首先构建了一个新的数据集，旨在降低LLM中过拟合的风险。然后，我们制定了五个评估任务，以全面评估在整个文本到SQL过程中各种LLM的不同方法的性能。

生成准确的结构化查询语言（SQL）是一个长期存在的问题，尤其是在将用户的语义查询与结构化数据库进行匹配，然后生成结构化SQL时。现有模型通常将查询和数据库模式输入到LLM中，并依赖LLM执行语义结构匹配和生成结构化SQL。然而，这种解决方案忽略了用户查询和数据库中的结构信息，这些信息可用于增强结构化SQL的生成。这种疏忽可能导致SQL生成不准确或不可执行。为了充分利用该结构，我们提出了一个结构到SQL的框架，该框架利用固有的结构信息来改进LLM的SQL生成。

理解文本描述以生成代码似乎是在零样本场景中实现的指令-遵循大型语言模型（LLM）的能力。然而，这种翻译能力极有可能受到看到目标文本描述和相关代码的影响。这种影响被称为数据污染。在这项研究中，我们研究了数据污染对GPT3.5在文本到SQL代码生成任务中的性能的影响。因此，我们引入了一种新的方法来检测GPT中的数据污染，并使用已知的Spider数据集和我们新的不熟悉的数据集Termite来检查GPT-3.5的文本到SQL的性能。