本论文提出了一种新的框架，基于Poincaré距离度量，通过探测程序从大规模预训练的语言模型中引出关系结构，以加强当前基于图的解析器，进而实现更好的模式链接。

Jun, 2022

本文提出了一个名为Bird的大规模基准数据集，旨在填补现有基准测试数据集在数据库值、外部知识和SQL某些方面的不足。实验结果表明，在大型数据库的文本到SQL转换中，数据库值具有重要意义。同时，最先进的文本到SQL模型ChatGPT，转换准确度仅为40.08%，距离人类结果92.96%还有巨大的差距。

May, 2023

利用用户查询和数据库的结构信息改进结构化SQL的生成问题，提出了一种结构引导的SQL（SGU-SQL）生成模型，并通过实验验证其优于16种SQL生成方法。

Feb, 2024

使用CodeLlama-34B建立了一种创新的模式链接方法，通过从初始SQL查询中提取表格和列，创建了一个简明的架构，并且在与主流方法对比的情况下，在SQL生成方面表现最佳。利用GPT4，在Spider数据集上实现了与主流Text-to-SQL方法相媲美的结果。

May, 2024

根据自然语言问题（文本到SQL）生成准确的SQL是一个长期存在的问题，传统的文本到SQL系统使用人工工程和深度神经网络，而最近的大型语言模型（LLMs）已经展示出在自然语言理解方面的显著能力，因此，将LLM-based实现整合到文本到SQL研究中可以带来独特的机遇、挑战和解决方案。

Jun, 2024

基于Large Language Models (LLMs) 使用schema元素的名称和描述，我们研究了模式匹配的应用，并提出不同任务范围的方法。通过比较LLM-based模式匹配与基于字符串相似度的基准线，我们发现匹配质量受到上下文信息的影响，但使用更新版本的LLMs能够增加决策能力。研究表明，LLMs在加速模式匹配过程上具有潜力，并能够帮助数据工程师仅依靠模式元素的名称和描述来完成该任务。

Jul, 2024

本研究解决了关系数据库中列描述不清晰的问题，影响用户和文本到SQL模型的交互。通过使用大型语言模型生成详细的列描述，研究发现高质量的描述显著提升了文本到SQL的执行准确性，尤其在列信息不充分的情况下。这项工作展示了大型语言模型作为生成详细元数据的有效工具的潜力，增强了关系数据库的可用性。

Aug, 2024

本研究探讨了在文本到SQL管道中，模式链接的重要性及其局限性，特别是在使用最新的大型语言模型时。研究表明，现代模型能够在生成过程中识别相关的模式元素，无需显式的模式链接，从而提高查询生成的准确性。该方法在BIRD基准测试中实现了71.83%的执行准确率，取得了当时的第一名。

Aug, 2024

本研究旨在解决当前文本到SQL转换中的复杂数据库架构处理和用户查询歧义问题。提出的E-SQL新模型通过直接架构链接和候选谓词增强来改进自然语言查询，与数据库结构更好地结合。实验结果表明，E-SQL在复杂查询上表现出色，测试集的执行准确率达到66.29%。

Sep, 2024

本研究解决了将自然语言查询转化为结构化SQL命令的持续问题，提供了基于大型语言模型的文本转SQL系统的全面演变分析。论文独特地探讨了知识图谱在提高语境准确性和模式链接中的作用，关键发现为当前技术的局限性及未来改进方向。

Oct, 2024