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

要約

自然言語の質問に従って正確な SQL を生成する (テキストから SQL) ことは、ユーザーの質問の理解、データベース スキーマの理解、および SQL 生成に複雑さが伴うため、長年の課題です。
人間工学とディープ ニューラル ネットワークで構成される従来のテキストから SQL へのシステムは、大幅な進歩を遂げました。
その後、事前トレーニング済み言語モデル (PLM) が開発され、テキストから SQL へのタスクに利用され、期待できるパフォーマンスが達成されました。
最新のデータベースがより複雑になるにつれて、対応するユーザーの質問もより難しくなり、理解能力が限られた PLM が誤った SQL を生成するようになりました。
このため、PLM にはより高度でカスタマイズされた最適化手法が必要となり、PLM ベースのシステムのアプリケーションが制限されます。
ごく最近、大規模言語モデル (LLM) は、モデルの規模が拡大し続けるにつれて、自然言語理解において重要な機能を実証しました。
したがって、LLM ベースの実装を統合すると、テキストから SQL への研究に独自の機会、改善、およびソリューションをもたらすことができます。
この調査では、LLM ベースのテキストから SQL への包括的なレビューを紹介します。
具体的には、テキストから SQL への技術的な課題と進化のプロセスの概要を提案します。
次に、text-to-SQL システムを評価するために設計されたデータセットとメトリックについて詳しく説明します。
その後、LLM ベースの text-to-SQL における最近の進歩を体系的に分析します。
最後に、この分野に残された課題について議論し、将来の研究の方向性への期待を提案します。

要約(オリジナル)

Generating accurate SQL according to natural language questions (text-to-SQL) is a long-standing challenge due to the complexities involved in user question understanding, database schema comprehension, and SQL generation. Conventional text-to-SQL systems, comprising human engineering and deep neural networks, have made substantial progress. Subsequently, pre-trained language models (PLMs) have been developed and utilized for text-to-SQL tasks, achieving promising performance. As modern databases become more complex, the corresponding user questions also grow more challenging, leading PLMs with limited comprehension capabilities to produce incorrect SQL. This necessitates more sophisticated and tailored optimization methods for PLMs, which, in turn, restricts the applications of PLM-based systems. Most recently, large language models (LLMs) have demonstrated significant capabilities in natural language understanding as the model scale remains increasing. Therefore, integrating the LLM-based implementation can bring unique opportunities, improvements, and solutions to text-to-SQL research. In this survey, we present a comprehensive review of LLM-based text-to-SQL. Specifically, we propose a brief overview of the technical challenges and the evolutionary process of text-to-SQL. Then, we provide a detailed introduction to the datasets and metrics designed to evaluate text-to-SQL systems. After that, we present a systematic analysis of recent advances in LLM-based text-to-SQL. Finally, we discuss the remaining challenges in this field and propose expectations for future research directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google