【Text2SQL 论文】PET-SQL：用 Cross-Consistency 的 prompt 增强的两阶段 Text2SQL 框架

论文：PET-SQL: A Prompt-enhanced Two-stage Text-to-SQL Framework with Cross-consistency

⭐⭐⭐

arXiv:2403.09732，商汤 & 北大

Code：GitHub

一、论文速读

论文一开始提出了以往 prompt-based 的 Text2SQL 方法的一些缺点：

缺少对 table cell value 的先验关注。比如查询 sex 时，WHERE sex='Male'、WHERE sex='M' 都是有可能的，LLM 也拿不准用哪个
通过 prompt 让 LLM 做 schema linking 时，让 LLM 根据 question 和 schema 列出相关 schema 的效果并不好，因为像对于 CodeLlama 这样的模型来说，基于指令生成非代码文本并不是他们的强项
目前方法的 post-refinements 收益也不明显：
- 如果一个由强大的 LLM 生成的 SQL 具有语义模糊而不是语法错误的话，那 LLM 是无法 self-debugging 的
- 使用 self-consistency 时，LLM 的投资和产出是不成比例，多次调用一个 LLM 产生数倍的成本，并没有从根本上让 SQL 的输出更加多样化

由此，论文提出了 Prompt-Enhanced Two-stage text2SQL framework with cross-consistency（PET-SQL）—— 通过两个 stage 来完成任务。

二、PET-SQL

2.1 Stage 1：few-shots prompt 生成 PreSQL

这个阶段构造出一个 few-shots 的 prompt 用来输入给 LLM。

2.1.1 prompt 的表示风格

有多种指导 LLM 生成 SQL 的 prompt 表示风格。以往研究发现，Code Representation（CRp）和 OpenAI Demonstration（ODp）这两种是很不错的选择，示例如下图：

在这里插入图片描述

论文基于 ODp 进一步丰富了 prompt 的信息，提出了 Reference-Enchanced representation（REp）的 prompt，改动如下：

在 instruction 最后加了一句 You must minimize SQL execution time while ensuring correctness 来指示 LLM 不仅要关注执行正确性，还要注意 SQL 语句的效率，避免冗余的字符和操作符。
prompt 中增加 table cell value 示例，也就是随机选择数据库表的 3 rows
prompt 中增加 schema 的外键关系

提出的 REp 示例如下：

在这里插入图片描述

2.1.2 增加 few-shots examples

这里从 dataset 中检索出与 user question 相似的样本来作为 ICL 的 demonstrations。

注意，这里要对被检索的 NL-SQL pairs 做去语义化：也就是把 question 中与 table schema 相关的 tokens 用 <mask> 去掉，从而得到一个只呈现问题意图的 question skeleton。然后再对这些 question skeleton 使用 embedding 做语义嵌入，从而用于检索。

检索到的 top-K 被用作 demonstrations 用于 few-shots ICL。

这样，demonstrations 和前面的 REp prompt 结构，构成了用于输入给 LLM 的 prompt：

在这里插入图片描述

由此，可以得到一个 LLM 生成的 preliminary SQL（PreSQL）。

2.2 Stage 2：Schema Linking 与 FinSQL 生成

这里的实现基于一个简单的原则：PreSQL 与 question 高度相关。

因此，解析 PreSQL 以识别其中提到的 db tables 和 columns，并用于数据库的 schema linking。

然后 schema linking 的结果被用来简化 prompt 中的 schema 信息，去除掉无关的 table 和 column 信息，如下所示：

在这里插入图片描述

使用这个简化后的 prompt 用来生成 FinSQL。

2.3 Cross Consistency

以往做 Text2SQL 时往往会使用 self-consistency 来修正 SQL 结果，但这有一些问题：使用 self-consistency 往往是将 LLM 的问题调高使其生成多样化，然后多次生成后投票选出最终结果。但是研究也发现，高温下的 LLM 会增加幻觉、降低性能，且对于确定性任务（如生成 SQL），单个 LLM 的多样性也不足。

所以本文提出：在较低的温度下指导多个 LLMs 生成 SQL，然后在这些 SQL 的执行结果之间投票。这也就是 Cross Consistency。

关于投票的思路，这里提出了两种：

Naive voting：让每个 LLMs 都生成一个 SQL，执行后进行投票，将大多数结果作为最终答案
Fine-grained voting：由于不同的 LLM 的能力不同，所能处理的问题的复杂度不同，因此，根据 PreSQL 的语法解析结果将 question 分为四个难度，然后不同的难度的问题由不同的候选 LLMs 来解决，并进行投票。这样可以最大限度发挥 LLM 的潜力，并显著减轻投票偏见。