Core Concepts
LLMsの推論能力を高めるために、前のSQLクエリを編集することでSQLクエリを生成する手法を提案する。
Abstract
本研究では、多回合テキストからSQLへの変換タスクに取り組む。従来のタスク固有の手法は複雑なモデル設計と労力のかかるトレーニングが必要であるため、LLMsを用いたインコンテキスト学習アプローチに着目する。
提案手法のCoE-SQLは、前のSQLクエリを編集することでSQLクエリを生成する。具体的には以下の手順を踏む:
14種類の単位編集ルールを定義し、2つのSQLクエリの抽象構文木(AST)を比較することで、編集チェーンを自動的に抽出する。
編集チェーンを自然言語、Pythonコード、自作の編集ルールの3つの形式で系列化し、プロンプトに追加する。
LLMsに対して、現在の質問と前の質問の違いを分析させることで、編集プロセスの理解を促す。
提案手法は、SParCとCoSQLのデータセットにおいて、既存のインコンテキスト学習手法を上回る性能を示し、最先端の教師あり手法にも匹敵する結果を得た。また、詳細な分析を通じて、提案手法の有効性を確認した。
Stats
平均年齢30歳未満の従業員を検索する
従業員の出身地を表示する
2人以上の従業員が出身の地域を表示する