C3
- C3: Zero-shot Text-to-SQL with ChatGPT
- https://github.com/bigbigwatermalon/C3SQL
- 通过优化schema description+多路投票的解码方案，用zero-shot prompt基本追平DIN的效果
在DIN-SQL提出的Few-shot方案的基础上，C3使用chatgpt作为基座模型，探索了zero-shot的方案，这样可以进一步降低推理成本。并且在生成效果上和DIN-SQL不相上下。
论文实现有很多细节，个人感觉比较重要的是以下两个部分，其他细节不做赘述
Clear Prompting
C3也通过Schema Linking先定位问题相关的数据表和查询字段。不过在指令构建上，论文认为在编写指令时，简洁的文本格式(clear layout)，以及不引入不相关的表结构(clear context)，会降低模型理解难度，对模型效果有很大提升。下面我们分别看下这两个部分
Clear Layout
后面的SQL-Palm也进行了类似的消融实验，对比符合人类自然语言描述的Table Schema，使用符号表征的prompt效果显著更好，在执行准确率上有7%左右的提升。
Clear Context
把整个数据库的全部表结构放入schema linking Context，一方面增加了推理长度，一方面会使得模型有更大概率定位到无关的查询字段。因此C3通过以下两步先召回相关的数据表和表字段，再进行schema linking
- 数据表召回
C3使用以下zero-shot指令，让大模型基于数据表schema，召回问题相关的数据表。这一步作者采用了self-consistency来投票得到概率最高的Top4数据表。当前的一些开源方案例如ChatSQL等，也有采用相似度召回的方案，更适合低延时，面向超大数据库的场景。不过需要先人工先对每张表生成一段表描述，描述该表是用来干啥的，然后通过Query*Description的Embedding相似度来筛选TopK数据表。
instruction = """Given the database schema and question, perform the following actions:
1 - Rank all the tables based on the possibility of being used in the SQL according to the question from the most relevant to the least relevant, Table or its column that matches more with the question words is highly relevant and must be placed ahead.
2 - Check whether you consider all the tables.
3 - Output a list object in the order of step 2, Your output should contain all the tables. The format should be like:
["table_1", "table_2", ...]
"""
- 表字段召回
在以上得到问题相关的数据表之后，会继续执行表字段召回的操作，同样使用了Self-Consistency多路推理投票得到概率最高的Top5字段。这一步同样可以使用相似度召回，尤其在中文场景，以及垂直领域的数据表场景，直接使用字段名并不足够，也需要对表字段名称生成对应的描述，然后使用相似度进行召回。
instruction = '''Given the database tables and question, perform the following actions:
1 - Rank the columns in each table based on the possibility of being used in the SQL, Column that matches more with the question words or the foreign key is highly relevant and must be placed ahead. You should output them in the order of the most relevant to the least relevant.
Explain why you choose each column.
2 - Output a JSON object that contains all the columns in each table according to your explanation. The format should be like:
{
"table_1": ["column_1", "column_2", ......],
"table_2": ["column_1", "column_2", ......],
"table_3": ["column_1", "column_2", ......],
......
}
self-consistency
Schema Linking之后，c3没有像DIN一样去判断问题的难度，而是用统一的zero-Prompt来对所有问题进行推理。不过在推理部分引入了Self-Consistency的多路投票方案。
针对每个问题会随机生成多个SQL，然后去数据库进行执行，过滤无法执行的sql，对剩余sql的执行结果进行分组，从答案出现次数最多的分组随机选一个sql作为最终的答案，也就是基于sql执行结果的major vote方案。
效果上c3在spider数据集上，使用干净简洁的zero-shot-prompt+self-consistency，基本打平了Few-shot的DIN-SQL，
SQL-Palm
- SQL-PALM: IMPROVED LARGE LANGUAGE MODEL ADAPTATION FOR TEXT-TO-SQL
- 尝试了微调方案并显著超越了以上的DIN-SQL
SQL-Palm是谷歌最新的NL2SQL的论文，使用的是他们的Palm2，不过未提供代码。和以上两种方案不同的是，SQL-Palm没有进行问题拆解，而是直接基于few-shot prompt进行sql的推理生成，并且尝试了微调方案，微调后的模型会显著超越DIN-SQL。
指令构建和以上的C3有两点相似
- Self-consistency: 同样使用了基于执行结果的多路投票来选择sql
- clean prompt：同样实验对比了偏向于人类自然表达的表结构表述和符号化的简洁表结构描述，结论和以上C3相同。在有few-shot样本时，指令长啥样影响都不大，在zero-shot指令下，符号化的简洁表结构描述效果显著更好。对比如下上图是符号化表结构，下图是自然语言式的表结构描述
论文同样对模型self-correction做了尝试，尝试方向和DIN不同，不是直接对SQL语句进行校准，而是当SQL执行错误时，基于错误信息让模型进行SQL修正。但是论文提到，并没找到很好的Debug的自修正方案，修正后对效果没有显著提升。
BIRD
- Can LLM Already Serve as A Database Interface?A BIg Bench for Large-Scale Database Grounded Text-to-SQLs
- DuSQL: A large-scale and pragmatic Chinese text-to-SQL dataset.
- https://bird-bench.github.io/
如果说前三篇还有一丢丢“象牙塔文学”，那BIRD确实一步跨入了纪实文学的领域。论文的核心是推出了新的更贴合实际应用场景的超大规模+存在数据噪声+依赖领域知识的NL2SQL基准数据集。在该数据集上，虽然DIN依旧是SOTA，但是和人工标注的执行准确率对比来看，只能说“前路阻且长”
只所以在Spider基准中有85%+执行准确率的SOTA模型，在BIRD里面表现骤降，除了BIRD使用的数据集噪声更多，数据集更大更复杂之外，一个核心原因是现实应用中，只像以上3篇论文那样使用原始表格的schema来描述数据表，是远远不够滴。
往往需要引入额外的表/字段描述，以及领域知识才能让模型更好理解每张表每个字段的作用，包括但不限于以下几个方面
-
表名称/字段缩写(Schema Description)：现实场景的table name和column name，往往业务同学自己使用都不知道是啥意思，因此治理后的数据仓库中往往需要人工维护表描述和字段描述。例如b_fund_stock_bond_industry_share_d数据表的描述是每日全量基金股票债券持仓占比的，sw_classify_one_type_name字段的描述是申万一级行业分类，就这?只给表名称你想让模型自己猜到？
-
字段取值说明(Value Illustration)：部分表字段的取值是缩写或者专有名词，例如status字段往往会使用代码来指代例如基金申购，赎回等不同状态，这时就需要对字段取值进行说明。
-
领域知识(Domain Knowledge)
：领域数据库往往需要补充领域知识才能理解，以下Ref1-3的论文有更具体的说明
- 计算类（Numeric Reason）：例如如何基金单位净值 = 基金总净值/基金总份额
- 指标类(Indicator)：例如询问股票近期波动率，模型需要补充知识说明哪些指标反映波动率
- 指代类(Synonym)：例如用户询问某ETF基金，模型需要知道指数基金也是ETF基金的另一种说法
BIRD在人工进行数据标注时，对每张表都提供了对应的以上字段描述和补充知识信息，用来帮助标注同学理解表内容。在使用大模型生成SQL时，以上知识会作为prompt输入模型，如下
并且论文对比了是否使用External Knowledge在测试集和验证集上的效果，提升十分显著。当然因为论文的重点在数据集构建，因此并未对如何更好的引入知识进行更详尽的讨论，期待后文ing~
LLM Agent中间插个队，总结下指令微调、对齐数据相关的方案，已经凑够7篇论文可以召唤神龙啦！论文都是以优化指令样本为核心，Data-Centric的观点比较一致：指令微调也就是对齐阶段的数据质量>>数量，少量+多样+高质量的对齐数据，就能让你快速拥有效果杠杠的模型。注意以上三者是充分必要关系，不是说数据越少越好，是三者的有机统一。
如果你对指令微调还不甚了解，建议先看看下解密Prompt系列4. 升级Instruction Tuning。
当前对指令微调部分的普遍认知有两个思路
- 抽象派：把模型输出和人类偏好进行对齐
- 务实派：赋予模型任务指令的理解和完成能力
两个思路其实殊途同归，重心落在任务+对齐，既基于用户指令应该召回模型预训练学习的哪些知识，以及把这些知识用什么样的格式和风格进行输出，类似于把预训练学习的知识重新排列组合并输出。可以类比探测Bert Finetune对向量空间的影响，只不过指令微调调整的高维空间更加细分多样。
于是才有本章的讨论，那我们构建质量更高，覆盖范围更广的数据，是否比随机造大量的指令数据效果要更好。毕竟你抖音刷1000条杂七杂八的中医养生小知识，可能比不上精读黄帝内经+神农本草不是~
在线教程
- 麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
- 人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
- EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
- 人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中，你将会学习到让机器人执行一系列动作所需要的基本算法。
- 机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法，包括：概率推算，计划和搜索，本地化，跟踪和控制，全部都是围绕有关机器人设计。
- 机器学习 – 有指导和无指导情况下的基本机器学习算法
- 机器学习中的神经网络 – 智能神经网络上的算法和实践经验
- 斯坦福统计学习
有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
人工智能书籍
- OpenCV（中文版）.(布拉德斯基等)
- OpenCV+3计算机视觉++Python语言实现+第二版
- OpenCV3编程入门 毛星云编著
- 数字图像处理_第三版
- 人工智能:一种现代的方法
- 深度学习面试宝典
- 深度学习之PyTorch物体检测实战
- 吴恩达DeepLearning.ai中文版笔记
- 计算机视觉中的多视图几何
- PyTorch-官方推荐教程-英文版
- 《神经网络与深度学习》(邱锡鹏-20191121)
- …
第一阶段：零基础入门（3-6个月）
新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。
第二阶段：基础进阶（3-6个月）
熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。
第三阶段：工作应用
这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。
有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
1204
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
