CHS-SQL：一种基于置信度引导启发式搜索模式链接过程的 Text-to-SQL 方法

最近，Text-to-SQL 领域出现了多项利用小语言模型（SLM）进行训练的工作。这些方法仅凭单块 NVIDIA RTX 4090 GPU 的算力就能取得接近大模型生成 SQL 的性能，同时保障数据安全。现有大多数方法在模式链接（Schema Linking）阶段过滤冗余的表和列以提高 Text-to-SQL 准确率，但未考虑选择候选模式子集时的精确率-召回率权衡。我们的研究发现，模式链接的精确率和召回率都会直接影响最终 SQL 准确率。因此，我们提出 CHS-SQL，一个高效微调 SLM 用于 Text-to-SQL 任务的新框架，它不仅平衡精确率与召回率，还提升 Text-to-SQL 任务的整体性能。其主要创新在于模式链接阶段：将启发式搜索与模型内部置信度相结合，以实现最优的精确率-召回率权衡。这一精细机制在为生成的 SQL 查询最大化相关模式候选精确率的同时，抑制无关噪声。同一策略进一步应用于 SQL 生成阶段，以精炼候选查询，并帮助 SLM 避免陷入局部最优。该方法通过 SLM 在 Text-to-SQL 任务上取得了最先进（SOTA）的结果。