SHARE：一种用于 Text-to-SQL 的基于 SLM 的层次化动作纠正助手
计算与语言
2025-06-03 v1
摘要
当前 Text-to-SQL 中的自我纠正方法面临两个关键局限：1）传统的自我纠正方法依赖 LLM 的递归自调用，导致计算开销呈乘性增长；2）LLM 难以对声明式 SQL 查询实施有效的错误检测和纠正，因为它们未能展现底层的推理路径。在这项工作中，我们提出了 SHARE，一种基于 SLM 的层次化动作纠正助手，使 LLM 能够执行更精确的错误定位和高效纠正。SHARE 在顺序流水线中编排了三个专门的小语言模型（SLM），首先将声明式 SQL 查询转化为揭示底层推理的逐步动作轨迹，随后进行两阶段的细粒度优化。我们进一步提出了一种新颖的层次化自演化策略，以实现数据高效的训练。实验结果表明，SHARE 有效增强了自我纠正能力，并在各种 LLM 上表现出鲁棒性。此外，我们的综合分析表明，即使在低资源训练设置下，SHARE 也能保持强大的性能，这对于具有数据隐私约束的 Text-to-SQL 应用尤为宝贵。
关键词
引用
@article{arxiv.2506.00391,
title = {SHARE: An SLM-based Hierarchical Action CorREction Assistant for Text-to-SQL},
author = {Ge Qu and Jinyang Li and Bowen Qin and Xiaolong Li and Nan Huo and Chenhao Ma and Reynold Cheng},
journal= {arXiv preprint arXiv:2506.00391},
year = {2025}
}
备注
Accepted to ACL 2025 Main