通过无人工融合提升文本到SQL的示例多样性
计算与语言
2024-06-27 v3
摘要
目前，基于大语言模型（LLMs）的上下文学习方法已成为文本到SQL研究的主流。先前的工作讨论了如何从人工标注的示例池中选择与用户问题相关的示例。然而，人工标注存在多样性不足和标注开销高的局限性。因此，本文讨论了如何衡量和提升文本到SQL示例的多样性。我们提出了一种衡量示例多样性的指标，并通过实验分析了现有标注数据的不足。基于上述发现，我们提出了示例迭代融合（Fused）方法，通过无人工多轮合成构建高多样性的示例池，从而提升多样性并降低标注成本。我们的方法在多个主流数据集上，有/无人工标注的情况下分别平均提升了3.2%和5.0%，证明了Fused的有效性。
引用
@article{arxiv.2402.10663,
title = {Improving Demonstration Diversity by Human-Free Fusing for Text-to-SQL},
author = {Dingzirui Wang and Longxu Dou and Xuanliang Zhang and Qingfu Zhu and Wanxiang Che},
journal= {arXiv preprint arXiv:2402.10663},
year = {2024}
}