MCS-SQL: الاستفادة من عدة مطالبات واختيار متعدد للاجتهاد في توليد النص إلى SQL

أتاحت التطورات الحديثة في نماذج اللغة الكبيرة (LLMs) اعتماد طرق التعلم ضمن السياق (ICL) التي تتفوق بشكل ملحوظ على أساليب الضبط الدقيق في مهام النص إلى SQL. ومع ذلك، لا يزال أداؤها أقل بكثير من خبراء البشر في المعايير التي تشمل مخططات واستعلامات معقدة، مثل BIRD. تدرس هذه الدراسة حساسية نماذج اللغة الكبيرة للمطالبات وتقدم نهجًا جديدًا يستفيد من عدة مطالبات لاستكشاف مساحة بحث أوسع للإجابات المحتملة وتجميعها بفعالية. على وجه التحديد، نقوم بتنقية مخطط قاعدة البيانات بشكل قوي من خلال ربط المخطط باستخدام عدة مطالبات. بعد ذلك، نولد استعلامات SQL مرشحة متعددة بناءً على المخطط المنقح والمطالبات المتنوعة. وأخيرًا، يتم ترشيح الاستعلامات المرشحة بناءً على درجات الثقة الخاصة بها، ويتم الحصول على الاستعلام الأمثل من خلال اختيار متعدد للاجتهاد يُعرض على نموذج اللغة الكبير. عند التقييم على معايير BIRD وSpider، حقق الأسلوب المقترح دقة تنفيذ تصل إلى 65.5\% و89.6\% على التوالي، متفوقًا بشكل كبير على الطرق السابقة القائمة على ICL. علاوة على ذلك، حققنا أداءً جديدًا رائدًا على BIRD من حيث كل من الدقة والكفاءة للاستعلامات المُولدة.