使用语法和模式感知过滤扩展基于置信度的 Text2Cypher

大语言模型 (LLM) 允许用户通过将问题翻译成可执行查询来使用自然语言查询数据库。尽管在 Text2SQL、Text2SPARQL 和 Text2Cypher 等任务上取得了巨大进展，但大多数现有方法都侧重于更好的提示、微调 或迭代细化。然而，它们通常不会明确强制执行结构约束，例如语法有效性和模式一致性。这会降低可靠性，因为生成的查询必须满足语法规则和数据库模式约束才能执行。在这项工作中，我们研究了如何在 Text2Cypher 的测试时推理中使用结构化约束。我们专注于生成后验证以提高查询的正确性。我们通过顺序过滤过程扩展了基于置信度的推理框架，该过程在最终聚合之前结合了置信度评分、语法验证和模式约束。这让我们可以分析不同的约束类型如何影响生成的查询。我们对两个指令调整模型的实验表明，基于语法的过滤提高了语法有效性。模式感知过滤通过强制执行与数据库结构的一致性来进一步提高执行质量。然而，更强的过滤也会增加空预测的数量并减少执行覆盖率。总的来说，我们表明在测试时添加简单的结构检查可以提高 Text2Cypher 生成的可靠性，并且我们可以更清晰地了解语法和模式约束如何做出不同的贡献。