PURPLE: Making a Large Language Model a Better SQL Write

本文是LLM系列文章，针对《PURPLE: Making a Large Language Model a Better SQL Write》的翻译。

摘要

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。在本文中，我们提出了PURPLE（用于检索逻辑增强提示的预训练模型），它通过检索包含现有NL2SQL任务所需逻辑运算符组成的演示来提高准确性，从而指导LLM生成更好的SQL翻译。PURPLE在流行的NL2SQL基准Spider的验证集上实现了80.5%的精确集匹配准确率和87.8%的执行匹配准确率的新技术性能。PURPLE在各种基准、预算限制和各种LLM中保持高精度，显示出稳健性和成本效益。

1 引言

2 前言

3 方法概述

4 方法

5 实验

6 相关工作

7 结论和未来工作

我们介绍了PURPLE，这是一种新的基于LLM的NL2SQL方法，通过演示选择提高了翻译精度。PURPLE通过四级自动机