Page 347 - 《软件学报》2026年第2期
P. 347

826                                                        软件学报  2026  年第  37  卷第  2  期


                 语言响应.
                  2.2.3    迭代调优
                    迭代调优是     TableQA  系统中优化模型输出的重要策略. 许多研究设计了迭代调用                  LLM  的流程以提高结果的
                 准确性和鲁棒性. GPT4Table    [71] 将复杂的任务分解为可管理的子任务, 通过多轮迭代逐步优化结果. SParC                  [72] 根据
                 新的用户输入动态更新模型输出, 利用多轮提示解决特定问题限制或纠正错误. 此外, 一些方法通过输出                                 Python
                                                                               [54]
                 或  SQL  作为中间结果, 并将运行结果返回给模型进行进一步优化. 例如, DIN-SQL 通过多轮迭代生成和优化                         SQL
                 查询, 显著提高了复杂查询的准确性.
                  2.2.4    结果精炼
                    与  Text2SQL  类似, TableQA  系统同样需要根据约束条件对查询结果进行精炼, 以满足用户对数字、类别、
                 Python  代码或可视化结果的需求. 为实现这一目标, 许多方法采用了多样化的精炼策略. 例如, 当与                       Power BI 等工
                 具集成时   [73] , 模型的输出不仅限于文本, 还可以生成图表或其他可视化内容. TableGPT              [65] 便是一个典型示例, 它能

                 够从文本和表格输入中直接创建可视化结果, 这一功能在数据分析任务中得到了广泛应用.
                  2.3   小 结

                    近年来, 智能数据库交互层的技术在自然语言处理与数据库系统的交叉领域取得了显著进展. Text2SQL                              技术
                 通过将自然语言查询自动转换为结构化              SQL  语句, 极大地降低了非专业用户访问数据库的门槛. TableQA              技术进
                 一步扩展了数据库交互方式, 不仅支持            SQL  生成, 还能实现直接问答、多轮对话和复杂推理功能.
                    一些工作对     Text2SQL  进行了比较, 比如文献    [74] 聚焦于深度学习的      Text2SQL  技术发展, 系统梳理了基于深
                 度学习的模型如何解决语义解析、模式编码和                 SQL  语法生成这    3  大关键问题. 文献   [75] 着重梳理了   Text2SQL
                 的演进过程, 提供了      Text2SQL  技术演进的全景视图, 特别提出了大模型时代该任务仍然存在的挑战. 文献                     [76] 则
                 完全聚焦于大模型在        Text2SQL  领域的最新进展. 文献     [71] 探讨大语言模型对结构化表格数据的理解能力, 通过
                 基准的设计评估      LLM  在表格数据上的表现. 文献       [77] 探讨了大模型解决结构化数据方面的应用, 梳理了               TableQA
                 任务的关键技术.
                    本节探讨的智能交互层技术发展体现了智能数据库标准化处理范式的应用. Text2SQL                          流程从用户自然语言
                 问题输入开始, 经过查询与模式的编码, 应用编码器-解码器模型或大语言模型进行 SQL 生成, 最终输出精炼的
                 SQL 语句并执行, 部分方法还利用执行结果反馈修正模型. TableQA                同样遵循这一范式, 在问题消歧、搜索检索、
                 模型推理和结果精炼等步骤中体现了标准化流程的核心环节.
                    Text2SQL  和  TableQA  技术的未来发展前景广阔, 随着自然语言处理和大型语言模型的不断进步, 智能数据
                 库系统将变得更加智能, 提供更准确、更高效的自然语言交互服务. 这些技术将扩展其跨领域和跨语言的能力, 支
                 持更多领域的查询需求, 以及更多语言的自然语言输入, 实现更广泛的应用场景. 同时系统将更加健壮, 能够妥善
                 处理模糊查询和复杂用户意图, 并提供有效的错误反馈和修正建议. 这些自然语言交互技术将融入各种数据相关
                 工具和平台中, 进一步提升数据的可访问性和易用性.
                    Text2SQL  技术正快速迭代和发展, 并且吸引了广泛的研究兴趣, 但该领域依然面临两大尚未克服的挑战, 分
                 别是自然语言的挑战和        SQL  带来的挑战. 1) 自然语言带来的挑战主要包含以下几方面, 首先是自然语言本身具有
                 歧义的性质, 自然语言的歧义包括了词汇歧义、句法歧义、语义歧义、上下文歧义、省略推理等. 第二, 自然语言
                 具有许多隐性知识, 某些查询需要模型不具有的隐式领域知识或常识, 从而导致查询生成的不正确或不完整. 第
                 三, 自然语言语种具有多样性, 不同的人可能使用不同的语种进行查询. 2) SQL                   带来的挑战, 首先     SQL  语句与自然
                 语言不同, SQL   语句有严格的语法限制. 第二, SQL        语句与数据库的数据模式相关, 如何生成与当前数据库模式匹
                 配的  SQL  语句带来了挑战. 第三, 词汇差距, 数据库词汇往往和用户使用的词汇在语义等方面不同, 预训练的语言
                 模型可能无法表示这之间的词汇差距. 第四, 复杂查询, 现有的方法生成复杂的查询, 如嵌套查询、联接查询准确
                 率较低甚至无法支持. 除此之外, 如何构建涵盖广泛查询类型和语言变化的合成训练数据集从而提高                                 Text2SQL
                 模型的鲁棒性和      Text2SQL  模型处理各种自然语言查询的能力也是一大挑战.
   342   343   344   345   346   347   348   349   350   351   352