Главная страница>Связанные с программированием>Другой исходный код
Скачать

NL2SQL Справочник

Из этого репозитория вы можете просмотреть последние достижения в NL2SQL. Этот справочник соответствует нашей документе опроса: опрос NL2SQL с большими языковыми моделями: куда мы и куда мы идем?. Мы также предоставляем учебные слайды, чтобы суммировать ключевые моменты этого опроса. Основываясь на тенденциях в разработке языковых моделей, мы создали речную диаграмму методов NL2SQL, чтобы проследить эволюцию поля NL2SQL.

Если вы новичок, не волнуйтесь - мы подготовили для вас практическое руководство, охватывающее здесь широкий спектр основополагающих материалов. Мы суммировали приложения, связанные с NL2SQL. 

 @misc { liu2024surveynl2sqllargelanguage ,
      title = { A Survey of NL2SQL with Large Language Models: Where are we, and where are we going? } , 
      author = { Xinyu Liu and Shuyu Shen and Boyan Li and Peixian Ma and Runzhi Jiang and Yuyu Luo and Yuxin Zhang and Ju Fan and Guoliang Li and Nan Tang } ,
      year = { 2024 } ,
      eprint = { 2408.05109 } ,
      archivePrefix = { arXiv } ,
      primaryClass = { cs.DB } ,
      url = { https://arxiv.org/abs/2408.05109 } , 
}

? NL2SQL ВВЕДЕНИЕ

Перевод запросов естественного языка пользователей (NL) в запросы SQL может значительно снизить барьеры для доступа к реляционным базам данных и поддержать различные коммерческие приложения. Производительность NL2SQL была значительно улучшена с появлением языковых моделей (LMS). В этом контексте крайне важно оценить нашу текущую позицию, определить решения NL2SQL, которые должны быть приняты для конкретных сценариев со стороны практиков, и определить темы исследования, которые исследователи должны исследовать дальше.

? NL2SQL LifeCycle

  • Модель: методы перевода NL2SQL, которые занимаются не только двусмысленностью NL и недостаточной спецификацией, но и надлежащим образом сопоставляют NL со схемой базы данных и экземплярами;

  • Данные: от сбора учебных данных, синтеза данных из -за дефицита обучения данных, до уровня NL2SQL;

  • Оценка: оценка методов NL2SQL с разных углов с использованием различных метрик и гранулярности;

  • Анализ ошибок: анализ ошибок NL2SQL, чтобы найти основную причину и направлять модели NL2SQL для развития.

? Где мы?

Мы классифицируем проблемы NL2SQL на пять уровней, каждый из которых рассматривает конкретные препятствия. Первые три уровня охватывают проблемы, которые были или в настоящее время решаются, что отражает прогрессивное развитие NL2SQL. Четвертый уровень представляет собой проблемы, которые мы стремимся решать на стадии LLMS, в то время как пятый уровень описывает наше видение системы NL2SQL в ближайшие пять лет.

Мы описываем эволюцию решений NL2SQL с точки зрения языковых моделей, классифицируя их на четыре этапа. Для каждого этапа NL2SQL мы анализируем изменения в целевых пользователях и степень решения проблем.

? Методы NL2SQL на основе модулей

Мы суммируем ключевые модули решений NL2SQL с использованием языковой модели.

  • Предварительная обработка служит улучшением входов модели в процессе анализа NL2SQL. Вы можете получить более подробную информацию из этой главы: предварительная обработка
  • Методы трансляции NL2SQL составляют ядро ​​решения NL2SQL, отвечающего за преобразование запросов естественного языка в вводе в запросы SQL. Вы можете получить более подробную информацию из этой главы: методы перевода NL2SQL
  • Пост-обработка -это решающий шаг для уточнения сгенерированных запросов SQL, обеспечивающих более точные ожидания пользователей. Вы можете получить более подробную информацию из этой главы: пост-обработка

Обследование и учебник NL2SQL

  1. Обзор NL2SQL с большими языковыми моделями: куда мы находимся и куда мы идем？
  2. Интерфейсы баз данных следующего поколения: обследование текста в SQL на основе LLM.
  3. Большая языковая модель Усовершенствованная генерация текста до SQL: опрос.
  4. От естественного языка до SQL: обзор систем Text-Sql на основе LLM.
  5. Опрос о использовании крупных языковых моделей для задач текста до SQL.
  6. Интерфейсы естественного языка для запросов и визуализации табличных данных: опрос.
  7. Интерфейсы естественного языка для баз данных с глубоким обучением.
  8. Опрос о подходах к глубокому обучению для текста в SQL.
  9. Недавние достижения в области текста в SQL: опрос того, что у нас есть и чего мы ожидаем.
  10. Глубокое погружение в глубокие подходы к обучению для систем текста в SQL.
  11. Состояние искусства и открытые проблемы в интерфейсах естественного языка с данными.
  12. Естественный язык для SQL: где мы сегодня?

? NL2SQL бумажный список

  1. Рассвет естественного языка для SQL: мы полностью готовы?
  2. Текст до SQL, наделенные большими языковыми моделями: эталонная оценка.
  3. Червейные предварительно обученные языковые модели и крупные языковые модели для генерации NL2SQL с нулевым выстрелом.
  4. Создание кратких описаний схемы базы данных для экономически эффективного подсказования моделей крупных языков.
  5. Sciencebenchmark: сложный реальный эталон для оценки естественного языка для SQL Systems.
  6. Коды: к созданию языковых моделей с открытым исходным кодом для текста до SQL.
  7. FINSQL: модель-алкогольную плату на основе LLMS Text-Sql Framework для финансового анализа.
  8. Фиолетовый: Сделать большую языковую модель лучшим писателем SQL.
  9. MetASQL: Generate-Then-Rank Framework для естественного языка для перевода SQL.
  10. ARCHER: меченный человеком набор данных Text-SQL с арифметикой, здравым смыслом и гипотетическими рассуждениями.
  11. Синтезирование данных текста к SQL из слабых и сильных LLMS.
  12. Понимание влияния шума в текстовом до-кв.
  13. Мне нужна помощь! Оценка способности LLM запрашивать поддержку пользователей: тематическое исследование по генерации текста в SQL.
  14. PTD-SQL: разделение и целевое бурение с LLMS в текстовом до SQL.
  15. Улучшение поиска-аугированного текста в SQL с рейтингом на основе AST и обрезкой схемы.
  16. Ориентированный на данные текст к SQL с большими языковыми моделями.
  17. SPIDER 2.0: Оценка языковых моделей на реальных рабочих процессах предприятия Text-Sql.
  18. Структура управляла большой языковой моделью для поколения SQL.
  19. RSL-SQL: надежная схема, связывающая в поколении текста к SQL.
  20. TrustSQL: сравнительная задача достоверности текста до SQL с помощью штрафной оценки.
  21. SQL-GEN: Соединение диалектного разрыва для текста до SQL с помощью синтетических данных и слияния модели.
  22. Основание естественного языка для перевода SQL с помощью самоэкспенцировки на основе данных.
  23. Chase-SQL: мультиплановые рассуждения и предпочтения оптимизированный выбор кандидатов в текстовом до SQL.
  24. К оптимизации генерации SQL через маршрутизацию LLM.
  25. Xiyan-SQL: ансамбль с несколькими поколениями для текста до SQL.
  26. E-SQL: прямая схема, связывающая через обогащение вопросов в текстовом до-SQL.
  27. DB-GPT: расширение возможностей взаимодействия базы данных с частными крупными языковыми моделями.
  28. Смерть схемы, связывающая? Текст-квл в эпоху хорошо разобранных языковых моделей.
  29. DBCOPILOT: масштабирование запросов естественного языка в массовых базах данных.
  30. Шахматы: контекстуальное использование для эффективного синтеза SQL.
  31. PET-SQL: усовершенствование двух раундов с подсказкой с перекрестным согласованностью.
  32. COE-SQL: Внутреннее обучение для многоворотного текста в SQL с цепочкой излузов.
  33. Ambrosia: эталон для неоднозначных вопросов разбора в вопросах базы данных.
  34. Несколько выстрелов трансляции текста в SQL с использованием структуры и контента быстрого обучения.
  35. CATSQL: к реальному естественному языку для приложений SQL.
  36. DIN-SQL: разложенное в контекстном порядке изучение текста в SQL с самокоррекцией.
  37. Данные неоднозначности возвращаются: как документация улучшает текст GPT-SQL.
  38. ACT-SQL: Внутреннее обучение для текста к SQL с автоматически генерируемой цепью.
  39. Селективные демонстрации для междоменного текста в SQL.
  40. RESDSQL: схема развязки, связывание и диапазон скелета для текста в SQL.
  41. Graphix-T5: смешивание предварительно обученных трансформаторов со слоями с графом для анализа текста в SQL.
  42. Улучшение обобщения в семантическом анализе на основе языковых моделей: два простых семантических метода на основе границ.
  43. G 3 R: фреймворк с графическим направлением для создания генерации комплексного и междомена.
  44. Важность синтеза высококачественных данных для анализа текста до SQL.
  45. Знайте, что я не знаю: обработка неоднозначных и неизвестных вопросов для текста в SQL.
  46. C3: с нулевым выстрелом текст в SQL с CHATGPT
  47. MAC-SQL: многоагентная совместная структура для текста в SQL.
  48. SQLFORMER: Глубокое генерация графиков запросов с ауторегрессивным запросом для перевода текста в SQL.

NL2SQL

Мы создаем график разработки теста и отмечаем соответствующие этапы. Вы можете получить более подробную информацию из этой главы: эталон

Куда мы идем?

  • Sovle Open NL2SQL Проблема
  • Разработать экономически эффективные методы NL2SQL
  • Сделайте достоверные решения NL2SQL
  • NL2SQL с неоднозначными и неуточненными NL -запросами
  • Синтез адаптивного обучения синтез

Каталог для нашего опроса

Вы можете получить больше информации от нашего подраздела. Мы вводим репрезентативные статьи о связанных концепциях:

  • Предварительная обработка
  • NL2SQL Методы перевода
  • Пост-обработка
  • Эталон
  • Оценка
  • Анализ ошибок

? Практическое руководство для новичка

Как получить данные:

  • Мы собираем для вас ссылки NL2SQL и ссылки для загрузки. Вы можете получить более подробную информацию из этой главы: эталон
  • Код анализа для тестов доступен в каталоге src/dataset_analysis . Отчеты о анализе эталона можно найти в report/ каталоге.

Как построить модель NL2SQL на основе LLM:

  • LITGPT Repository Link

    Этот репозиторий предлагает доступ к более чем 20 высокопроизводительным моделям крупных языков (LLM) с комплексными руководствами для предварительной подготовки, тонкой настройки и развертывания в масштабе. Он предназначен для того, чтобы быть для начинающих, с реализациями от скрещивания и без сложных абстракций.

  • Лама-фактическая репозитория связывает единую эффективную точную настройку 100+ LLMS. Интегрируя различные модели с масштабируемыми учебными ресурсами, передовыми алгоритмами, практическими трюками и комплексными инструментами мониторинга экспериментов, эта настройка обеспечивает эффективные и более быстрые выводы с помощью оптимизированных API и пользовательских интерфейсов.

  • Точная настраиваемая и встроенная обучение для перепозитория Bird-SQL.

    Учебное пособие как для точной настройки, так и для обучения в контексте обеспечивается эталоном Bird-SQL.

? Как оценить вашу модель:

Мы собираем для вас метрики оценки NL2SQL. Вы можете получить более подробную информацию из этой главы: оценка

  • NLSQL360 Ссылка

    NL2SQL360 является испытательным стендом для мелкозернистой оценки решений NL2SQL. Наш тестовый стенд объединяет существующие тесты NL2SQL, репозиторий моделей NL2SQL и различные показатели оценки, которые направлены на предоставление интуитивно понятной и удобной платформы для обеспечения как стандартной, так и индивидуальной оценки производительности.

  • Теста-suite-sql-eval ссылка на хранилище

    Этот репо содержит метрику оценки тестового пакета для 11 задач текста к SQL. В настоящее время это официальный показатель Spider, Sparc и Cosql, а также теперь доступен для академических, ATIS, консультирования, географии, IMDB, ресторанов, ученых и Yelp (опираясь на удивительную работу Кэтрин и Джонатана).

  • Официальная репозитория Bird-SQL

    Теперь это официальный инструмент Bird-SQL. Это первый инструмент для предложения VES и предоставления официального набора тестов.

? ️ дорожная карта и поток решений

Вы можете получить некоторое вдохновение от дорожной карты и потока решений.

Приложения, связанные с NL2SQL:

  • CHAT2DB: ИИ-управляемый инструмент базы данных и клиент SQL, самый горячий клиент GUI, поддержка MySQL, Oracle, PostgreSQL, DB2, SQL Server, DB2, SQLITE, H2, Clickhouse и многое другое.
  • DB-GPT: Структура разработки приложений для приложений для нативных данных ИИ с AWEL (Язык выражения агента рабочего процесса) и агенты.
  • Postgres.new: в браузера Postgres Sandbox с помощью ИИ.
Расширять
Дополнительная информация
Связанные приложения
Рекомендуем вам
Связанные новости Все