面向对话式文本到 NoSQL 的小型语言模型蒙特卡洛树搜索推理路径细化
数据库
2026-02-16 v1 人工智能
摘要
NoSQL 数据库因其灵活性和可扩展性，在大数据分析、地理空间应用和医疗服务领域得到广泛采用。然而，查询 NoSQL 数据库需要专业技术expertise，导致使用门槛较高。虽然近期研究探索了文本到 NoSQL 问题，但主要关注单轮交互，忽略了真实查询的对话性质。为弥合这一差距，我们提出 Conversational Text-to-NoSQL 任务，即给定自然语言问题、NoSQL 数据库及对话历史生成 NoSQL 查询。为解决该任务，我们提出 Stage-MCTS 框架，将查询生成形式化为搜索问题，为小型语言模型 (SLMs) 注入 NoSQL 特定推理能力。框架采用蒙特卡洛树搜索 (MCTS) 通过基于规则的奖励机制生成分步推理数据，随后采用渐进式监督微调 (SFT) 和自训练策略。我们进一步构建 CoNoSQL，一个包含超过 2000 轮对话和 150 个数据库的跨域数据集，以支持评估。实验表明，我们的方法超过了最先进的大规模推理模型，使执行值匹配 (EVM) 准确率提升最高可达 7.93%。
引用
@article{arxiv.2602.12574,
title = {Monte Carlo Tree Search with Reasoning Path Refinement for Small Language Models in Conversational Text-to-NoSQL},
author = {Xubang Xiong and Raymond Chi-Wing Wong and Yuanfeng Song},
journal= {arXiv preprint arXiv:2602.12574},
year = {2026}
}