论文概述

学习这篇Text2SQL+LLM的benchmark论文前，可以先学习一下基础的Text2SQL知识。 可以参考GitHub项目：github.com/eosphoros-a… ，这个项目收集了Text2SQL+LLM领域的相关简介、综述、经典Text2SQL方法、基础大模型、微调方法、数据集、实践项目等等，持续更新中！ （如果觉得对您有帮助的话，可以star、fork，有问题、建议也可以提issue、pr，欢迎围观）

基本信息

• 英文标题：Text-to-SQL Empowered by Large Language Models: A Benchmark Evaluation
• 中文标题：基于LLM的Text2SQL：基准评估
• 发表时间：2023年8月29日 v1版，2023年11月20日v4版
• 作者单位：阿里巴巴
• 论文链接：arxiv.org/abs/2308.15…
• 代码链接：github.com/BeachWang/D…

摘要

• 大型语言模型（LLM）用于Text2SQL任务已成为一种新范式。 然而，缺乏系统的基线benchmark阻碍了基于 LLM 的Text2SQL方案设计。
• 为了应对这一挑战，在本文中，论文首先进行了系统且广泛的研究，与现有提示工程方法prompt engineering methods比较，包括问题表示question representation、例子选择example selection和例子组织example organization，并通过这些实验结果，论文阐述了它们的优点和缺点。
• 基于这些发现，论文提出了一种新的综合名为DAIL-SQL的解决方案，刷新Spider排行榜-执行准确率（EX）达到 86.6%，树立了新标杆。
• 为了探索开源LLM的潜力，论文进行了调查，并进一步使用有监督微调SFT提升其性能。论文的探索突出了开源LLM 在Text2SQL方面的潜力，以及监督微调的优点和缺点。 此外，为了实现一个高效且经济的基于LLM的Text2SQL解决方案，论文强调prompt engineering的token效率并进行比较之前的研究。

86.6现在已经不是spider第一了，不过仍然非常强大，也开源了代码，目前(2024-0104)是MiniSeek的91.2（没有开源代码），可以参考Awesome-Text2SQL开源项目中的榜单汇总

结果

问题表示question representation

有5个类别：

• Basic Prompt

• Text Representation Prompt （多了一些文字描述）

• OpenAI Demostration Prompt

• Code Representation Prompt

• Alpaca SFT Prompt

图 1：zero-shot场景下Spider-dev 上不同问题表示的结果。

• 没有一致的最好question representation，也就是说不同的模型，可能question representation表现最好的不是同一种
• 具体的数值可以看表5

• Vicuna-33B：OpenAI Demostration Prompt表现最好
• GPT-4：Basic Prompt 表现最好
• GPT-3.5-TURBO：OpenAI Demostration Prompt表现最好
• TEXT-DAVINCI-003：Code Representation Prompt表现最好

论文做了消融实验，对prompt中的问题表示去掉外键信息，比如图2和表6。

图2 Spider-dev 上外键信息的消融实验。 绿色箭头表示增加，红色箭头表示，表示减少。

• 大部分问题表示中增加上foreign key后，EX和EM都是有增加的，除了少数，比如Text Representation Prompt With Foreign Keys 在GPT-4下，结果反而还降低了0.2。

同样的，还有关于是否解释explanation的消融实验，如图3和表7。

• 加上Explanation rule，大部分问题表示结果EX/EM都是上升的，除了OpenAI Demostration Prompt。

上下文学习In-Context Learning（ICL）

这里统一选取问题表示为Code Representation Prompt

Example Selection

example的选择分为了5类：

• Random 随机选example

• Question Similarity selection 根据和问题的相似性选择

• Masked Question Similarity selection 把问题的表名、列名mask，再计算问题的相似性

• Query Similarity selection 查询的相似性

• DAIL selection 就是这篇论文的方法

• Upper Limit

• 这个和DAIL selection类似，只不过计算的是ground truth的query的相似性 （DAIL selection 是predicted query）

• 1-shot/3-shot/5-shot，DAIL selection方法仅次于**Upper Limit，比其他的方法都要好，**表明了问题相似性的重要性。
• 因为比**Upper Limit差，**表面了生成得query和真实的query之间的差距。

Example Organization

示例的组织方式有3种：

• Full-Information Organization

• SQLOnly Organization

• DAIL Organization

图4 ：对不同example organization 的 Spider-dev 进行评估。

Example Selection 固定为 DAIL Selection。

• 详细数据如表10

• spider数据集上，在GPT-4上，DAIL Organization 都比另外两种情况好。当为7-shot时，EX最高为83.5。

• 比如还有Spider-Realistic数据集上

SFT

开源模型-0-shot

• 不对齐，LLaMA-33B在EX指标表现最好42.8，EM指标最好是13.8
• 对齐后，codellama-34b在spider-dev表现最好，使用code representation，EX-68.5，EM-27.8

开源模型-few-shot

• 横坐标是k-shot：比如0-shot、1-shot、3-shot等
• 纵坐标是EX/EM
• EM指标上：LLaMA-33B表现最好
• EX指标上：Vicuna-33B表现最好

开源模型-SFT

• 不经过SFT模型，few-shot可以提高精度

• LLaMA -7B-0-shot < LLaMA -7B -1-shot

• 经过SFT之后，few-shot反而会降低精度

• LLaMA -7B-SFT-0-shot > LLaMA -7B -1-shot

Token Efficiency

这个比较还是有意思的，不光用精度评估，也要用过程的消耗以及token数量评估

• token 的数量

• 花钱多少

• 花时间多少

论文的数据实验非常扎实，分类别很多，需要很细致的看，附录也有很多实验，值得学习和借鉴。

结论

few-shot + SFT 效果不如SFT，这一点很关键。

• 在本文中，论文提出了一种新的快速工程方法，名为 DAIL-SQL，刷新 Spider 排行榜EX-86.6%，排名第一。
• 关于监督微调，论文展示了开源 LLM 在Text2SQL方面的巨大潜力，强调了在语料库预训练和模型参数的重要性，并指出微调后上下文学习能力的退化。
• 此外，论文进行对现有解决方案在效率方面的观察，其中表明 DAIL-SQL 效率更高，并强调了标记效率在提示工程中的重要性。

核心方法

DAIL-SQL-步骤

细节去参考源码，这里理解一下大概意思

• 输入：

• 目标question和目标database

• 其他的Text2SQL+LLM的基础信息：比如question、database、三元组（question，answer（就是SQL）， dataset）、示例examples、model、相似度阈值等等等

• 输出：

• 针对目标quetsion，得到对应的sql

• 方法

• 1.对问题进行mask：包括目标question和候选questions

• 2.初步预测sql

• 3.解析预测的初步sql骨架

• 4.计算和mask_question的相似性，排序

• 5.重新排序：通过优先考虑具有高度的查询相似度的候选者来重新排序 Q

• 6.重新生成prompt和最后的SQL

一些细节

更加具体的细节：

• question representation --> Code Representation Prompt
• example selection --> DAIL Selection
• example organization --> DAIL Organization
• 使用 self-consistency -->增长0.4% 【Self-Consistency Improves Chain of Thought Reasoning in Language Models】