arXiv cs.CL· Su Dong, Jiayan Lin, Yujia Liu, Zijin Hong, Qinggang Zhang, Feiran Huang, Xiao Huang·· 9 小时前AI 评分29
DisGuAD:用分歧引导歧义检测,提升交互式 text-to-SQL 澄清效率
Asking What Matters: Disagreement-Guided Ambiguity Detection for Interactive Text-to-SQL
AI 导读
研究者提出 DisGuAD,一个分歧引导的歧义检测框架,将多个合理 SQL 解释之间的分歧作为判断哪些不确定性真正影响最终查询的证据。在 BIRD-Interact Lite 和 Full 上,该方法相比原始交互策略将归一化 Reward 提升 4.40–8.97 分,关键歧义覆盖率从 48.62% 升至 82.75%、从 45.76% 升至 85.14%。
正文 · AI 翻译
摘要:交互式 text-to-SQL 要求 LLM 智能体不仅生成可执行的 SQL,还要在有限的交互预算内决定澄清哪种不确定性。然而,当前的澄清策略存在三个局限:(i) 它们针对表面歧义,而不检验其对 SQL 的影响;(ii) 它们忽略了模式路径或领域知识中隐含的歧义;(iii) 它们将有限的轮次花费在缺乏针对性或冗余的问题上。这些局限暴露了一个关键挑战:在目标 SQL 未知之前识别影响 SQL 的歧义。本文提出 DisGuAD,一个分歧引导的歧义检测框架,专门用于澄清选择。DisGuAD 将合理 SQL 解释之间的分歧视为哪种不确定性对最终查询重要的直接证据。具体而言,它构建查询词项清单,通过互补的探测族引出对比性 SQL 解释,比较其规范化 SQL 组件,并将反复出现的差异归因于面向用户的澄清目标。随后,一个轻量级优先级排序与对话状态机制选择一个高影响且未解决的目标进行澄清。在 BIRD-Interact Lite 和 Full 上使用两个 LLM 骨干进行的实验表明,任务成功率和澄清质量均有一致提升。与原始交互策略相比,DisGuAD 将归一化 Reward 提高 4.40--8.97 分,并将整体关键歧义覆盖率从 48.62% 提升至 82.75%,从 45.76% 提升至 85.14%。其澄清信号进一步将两个独立设计的静态 text-to-SQL 框架提升最多 13.97 Reward 分,同时保持其 SQL 生成器不变。这些结果表明,合理 SQL 查询之间的分歧为选择对下游生成重要的澄清目标提供了可操作的证据。
| 学科: | 数据库(cs.DB);计算与语言(cs.CL) |
| 引用为: | arXiv:2611.21645 [cs.DB] |
| (或 arXiv:2611.21645v1 [cs.DB] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.21645 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Su Dong [查看邮箱]
[v1]
2026年10月14日星期三 11:10:26 UTC(1,966 KB)
来源:arXiv cs.CL · arxiv.org