Text2SQL-Flow: A Robust SQL-Aware Data Augmentation Framework for Text-to-SQL

ملخص تقني: TEXT2SQL-FLOW

TEXT2SQL-FLOW هو إطار عمل قوي لتعزيز البيانات، وهو مدرك لبنية SQL، مصمم لمعالجة النقص الحاد في البيانات التدريبية عالية الجودة، والمتنوعة، والمعقدة هيكلياً والمخصصة لمهام Text-to-SQL. ينقل هذا البحث التركيز من النهج التقليدي المتمحور حول الخوارزميات إلى نهج متمحور حول البيانات، مما يوفر مساراً قابلاً للتوسع لتوسيع مجموعات البيانات الأولية المحدودة إلى مستودعات بيانات ضخمة وعالية الدقة.

---

1. المشكلة: ندرة البيانات وانخ old التنوع

يتعرض أداء النماذج اللغوية الكبيرة (LLMs) في مهام Text-to-SQL لعقبة كبيرة بسبب مجموعات البيانات الحالية (مثل Spider و BIRD)، والتي تعاني من:

• محدودية الحجم: التوسيم اليدوي مكلف وبطيء.
• البساطة الهيكلية: تفتقر مجموعات البيانات الحالية غالباً إلى أنماط SQL المعقدة (مثل الاستعلامات الفرعية المتداخلة، أو الدوال النافذة، أو عمليات الربط المعقدة).
• التوزيع الضيق: تغطي مجموعات البيانات غالباً مخططات قواعد بيانات ونطاقات محدودة، مما يؤدي إلى ضعف التعميم في البيئات الواقعية وغير المتجانسة.
• الفجوات الدلالية: غالباً ما تعاني عملية توليد البيانات الاصطناعية من انتشار الأخطاء أو نقص التوافق بين الأسئلة باللغة الطبيعية (NL) و SQL المُولد.

2. المنهجية: إطار عمل TEXT2SQL-FLOW

يقترح المؤلفون مساراً متكاملاً يعزز البيانات عبر بُعدين أساسيين: التنوع على مستوى التوزيع والتنوع على مستوى الاستعلام.

أ. التنوع على مستوى التوزيع (توسيع المخطط - Schema Expansion):
لمنع النماذج من الإفراط في التكيف مع هياكل قواعد بيانات محددة، يقدم إطار العمل قواعد بيانات مساعدة. حيث يستخدم "مستودع قواعد البيانات" وخوارزمية اختيار تعتمد على درجات تعقيد المخطط (المحسوبة عبر عدد الجداول، وعدد الأعمدة، وكثافة المفاتيح الخارجية) لاختيار قواعد بيانات متنوعة تغطي نطاقاً واسعاً من التعقيدات الهيكلية.

ب. التنوع على مستوى الاستعلام (تعزيز SQL):
يستخدم إطار العمل النماذج اللغوية الكبيرة لتحويل استعلامات SQL "الأولية" الموجودة إلى نسخ أكثر تعقيداً عبر ستة أبعاد:

1. تحويلات قيم البيانات (DVT): تعديل المرشحات (filters)، والتواريخ، والعتبات.
2. تعديلات هيكل الاستعلام (QSM): إعادة كتابة الاستعلامات (على سبيل المثال، استبدال عمليات الرب JOIN بـ EXISTS أو استخدام جداول CTE).
3. تغييرات المنطق التجاري (BLC): تغيير المنظور التحليلي أو النطاقات.
4. تعزيزات التعقيد (CE): إضافة عمليات ربط إضافية أو تعبيرات CASE.
5. ميزات SQL المتقدمة (ASF): دمج الدوال النافذة (window functions) وعمليات المجموعات (set operations).
6. الأداء والتحسين (PO): إعادة هيكلة الاستعلامات لرفع الكفاءة.

ج. مراقبة الجودة ومشغلات المسار:
لضمان قابلية استخدام البيانات المولدة، يدمج إطار العمل عدة فلاتر آلية:

• فلتر قابلية تنفيذ SQL: يستخدم خطط EXPLAIN لضمان أن الاستعلامات صحي old قواعدياً وقابلة للتنفيذ.
• توليد الأسئلة باللغة الطبيعية (NL): توليد أسئلة بـ 11 أسلوباً لغوياً مختلفاً (رسمي، عامي، إلخ) لضمان التنوع اللغوي.
• فلتر التوافق بين NL و SQL: يستخدم نموذجاً لغوياً كبيراً للتحقق من أن السؤال المولد و SQL يتشاركان بالفعل في نفس القصد الدلالي.
• توليد سلسلة التفكير (CoT): توليد مسارات استدلال خطوة بخطوة للمساعدة في تعلم المسار المنطقي من السؤال إلى SQL.

د. التطبيق مزدوج الاستخدام:

• للنماذج اللغوية مفتوحة المصدر: تُستخدم البيانات لـ الضبط الدقيق الخاضع للإشراف (SFT)، بما في ذلك مسارات استدلال CoT.
• للنماذج اللغية مغلقة المصدر: يبني إطار العمل قاعدة معرفية عالية الجودة لـ الاسترجاع القائم على أمثلة قليلة (Few-shot Retrieval). يقترح المؤلفون طريقة استرجاع المحاذاة المقنعة (Masked Alignment Retrieval) التي تقوم بقناع الرموز المعتمدة على المخطط (أسماء الجداول/الأعمدة) للتركيز على "الهيكل العظمي" للاستعلام، مما يتيح مطابقة أكثر دقة للأمثلة.

3. المساهمات الرئيسية

• إطار عمل TEXT2SQL-FLOW: مسار منهجي وقابل للتوسع لتعزيز البيانات المدركة لـ SQL.
• مجموعة بيانات SQLFLOW: مجموعة بيانات عالية الجودة ومتنوعة تضم 75,386 مثالاً مشروحاً (مشتقة من Spider و BIRD و EHRSQL).
• استرجاع المحاذاة المقنعة: استراتيجية استرجاع مبتكرة تحسن التعلم السياقي للنماذج مغلقة المصدر من خلال نمذجة المحاذات الهيكلية الدقيقة.

4. النتائج التجريبية

• أداء الضبط الدقيق: تفوقت النماذج المدربة على SQLFLOW بشكل كبير على تلك المدربة على مجموعات البيانات الاصطناعية الحالية (مثل SynSQL). على سبيل المثال، أدى الضبط الدقيق لنموذج Qwen2.5-Coder-7B على SQLFLOW إلى تحسن هائل بنسبة +19.1% في اختبار EHRSQL الصعب مقارنة بالنموذج الأساسي.
• أداء الاسترجاع: تفوقت طريقة استرجاع المحاذاة المقنعة المقترحة على طرق التشابه الدلالي القياسية وطرق القائمة التركيبية (AST-based)، محققة نتائج تنافسية في BIRD-dev (61.0%) و Spider-dev (83.5%).
• المتانة: أكدت دراسات الاستئصال (Ablation studies) أن كل مكون — من اختيار قاعدة البيانات المساعدة إلى توليد CoT — يساهم بشكل كبير في الأداء النهائي للنموذج.

5. الأهمية

يُظهر هذا العمل أن جودة البيانات والتنوع الهيكلي أكثر تأثيراً من مجرد حجم البيانات الضخم. من خلال توفير طريقة لـ "إعادة تدوير" البيانات الأولية عالية الجودة وتحويلها إلى مجموعات تدريب معقدة ومتنوعة ومحققة، يقدم المؤلفون مخططاً لتطوير أنظمة Text-to-SQL نحو موثوقية تضاهي الأنظمة المؤسسية في العالم الحقيقي.