本發(fā)明涉及人工智能，也可用于金融領(lǐng)域，尤其涉及一種基于大語言模型實(shí)現(xiàn)自然語言轉(zhuǎn)sql的方法及裝置。

背景技術(shù)：

1、本部分旨在為權(quán)利要求書中陳述的本發(fā)明實(shí)施例提供背景或上下文。此處的描述不因?yàn)榘ㄔ诒静糠种芯统姓J(rèn)是現(xiàn)有技術(shù)。

2、自然語言處理(natural?language?processing，nlp)作為人工智能技術(shù)的一個(gè)重要分支，在很多場(chǎng)景中扮演的角色也越來越重要。在數(shù)據(jù)庫查詢場(chǎng)景中，利用自然語言轉(zhuǎn)結(jié)構(gòu)化查詢語言(natural?language?to?structured?query?language，nl2sql)的技術(shù)能夠大大提高數(shù)據(jù)庫查詢的效率。

3、將自然語言轉(zhuǎn)換為sql，就是將人類語言的查詢轉(zhuǎn)化為數(shù)據(jù)庫查詢語言(sql)。例如，對(duì)于一個(gè)查詢“請(qǐng)幫我查詢有多少用戶？”,自然語言轉(zhuǎn)換為sql的技術(shù)目標(biāo)就是將該查詢轉(zhuǎn)化為一個(gè)sql查詢，如“select?count(*)from?user”。用戶自輸入提問相關(guān)信息并選擇相應(yīng)的數(shù)據(jù)庫表結(jié)構(gòu)信息，將上述提問信息以及數(shù)據(jù)庫表結(jié)構(gòu)信息輸入至大語言模型(llm)中，由該大語言模型根據(jù)用戶查詢需求生成一條sql語句，再調(diào)用相應(yīng)的數(shù)據(jù)庫，執(zhí)行sql語句，獲得對(duì)應(yīng)的結(jié)果，最終將結(jié)果返回給用戶呈現(xiàn)。

4、近年來，大型語言模型(llm)的崛起為nl2sql的研究帶來了新的契機(jī)。llm通過深度學(xué)習(xí)和大量的語料庫訓(xùn)練，具備強(qiáng)大的文本生成和理解能力。在nl2sql應(yīng)用中，llm能夠接收自然語言描述的問題，并自動(dòng)生成對(duì)應(yīng)的sql查詢語句，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)庫中數(shù)據(jù)的精準(zhǔn)檢索。

5、然而，在實(shí)際應(yīng)用中，當(dāng)llm處理數(shù)據(jù)庫表以及生成sql時(shí)，基于llm的nl2sql轉(zhuǎn)換器面臨一系列技術(shù)挑戰(zhàn)。首先，查詢生成的效率問題影響了用戶體驗(yàn)和系統(tǒng)的整體性能。其次，實(shí)體識(shí)別和映射的不確定性也使得模型難以將自然語言中的實(shí)體準(zhǔn)確映射到正確的數(shù)據(jù)庫字段。此外，llm的輸出存在不固定性和隨機(jī)性，由于生成sql的過程中只有一次生成，輸出隨機(jī)性會(huì)對(duì)生成sql的準(zhǔn)確率有很大影響。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供一種基于大語言模型實(shí)現(xiàn)自然語言轉(zhuǎn)sql的方法，用以降低大語言模型輸出的隨機(jī)性，提高自然語言轉(zhuǎn)化為sql的準(zhǔn)確率，提高用戶體驗(yàn)。

2、為解決上述技術(shù)問題，本技術(shù)提供以下技術(shù)方案：

3、第一方面，本技術(shù)提供一種基于大語言模型實(shí)現(xiàn)自然語言轉(zhuǎn)sql的方法，包括：

4、執(zhí)行如下迭代操作：

5、獲取輸入數(shù)據(jù)；其中，所述輸入數(shù)據(jù)包括：自然語言問題、數(shù)據(jù)庫表以及該數(shù)據(jù)庫表對(duì)應(yīng)的輸入數(shù)據(jù)庫；

6、將所述輸入數(shù)據(jù)輸入第一大語言模型生成查詢sql語句；

7、將所述輸入數(shù)據(jù)輸入第二大語言模型生成多條測(cè)試數(shù)據(jù)以及每條所述測(cè)試數(shù)據(jù)對(duì)應(yīng)的相關(guān)性標(biāo)識(shí)；其中，所述相關(guān)性標(biāo)識(shí)包括相關(guān)及不相關(guān)；

8、將所述查詢sql語句、所述測(cè)試數(shù)據(jù)及所述測(cè)試數(shù)據(jù)對(duì)應(yīng)的相關(guān)性標(biāo)識(shí)輸入至測(cè)試數(shù)據(jù)庫并通過第三大語言模型進(jìn)行一致性檢查；

9、若一致性檢查不通過且不一致次數(shù)小于預(yù)設(shè)閾值，確定出現(xiàn)錯(cuò)誤的大語言模型并反饋錯(cuò)誤結(jié)果至該大語言模型，直至一致性檢查通過或不一致次數(shù)達(dá)到所述預(yù)設(shè)閾值。

10、進(jìn)一步地，所述將所述查詢sql語句、測(cè)試數(shù)據(jù)及所述測(cè)試數(shù)據(jù)對(duì)應(yīng)的相關(guān)性標(biāo)識(shí)輸入至測(cè)試數(shù)據(jù)庫并通過第三大語言模型進(jìn)行一致性檢查包括：

11、清空所述測(cè)試數(shù)據(jù)庫中的數(shù)據(jù)；

12、將所述測(cè)試數(shù)據(jù)及所述測(cè)試數(shù)據(jù)對(duì)應(yīng)的相關(guān)性標(biāo)識(shí)輸入所述測(cè)試數(shù)據(jù)庫中；

13、在所述測(cè)試數(shù)據(jù)庫運(yùn)行所述查詢sql語句，得到查詢結(jié)果；

14、將所述測(cè)試數(shù)據(jù)及所述測(cè)試數(shù)據(jù)對(duì)應(yīng)的相關(guān)性標(biāo)識(shí)以及所述查詢結(jié)果輸入所述第三大語言模型進(jìn)行一致性檢查。

15、進(jìn)一步地，所述將所述測(cè)試數(shù)據(jù)及所述測(cè)試數(shù)據(jù)對(duì)應(yīng)的相關(guān)性標(biāo)識(shí)以及所述查詢結(jié)果輸入所述第三大語言模型進(jìn)行一致性檢查包括：

16、通過所述第三大語言模型檢查所述查詢結(jié)果與相關(guān)性標(biāo)識(shí)為相關(guān)的所述測(cè)試數(shù)據(jù)是否一致；

17、在所述確定出現(xiàn)錯(cuò)誤的大語言模型并反饋錯(cuò)誤結(jié)果至該大語言模型之前，還包括：

18、檢測(cè)不一致次數(shù)是否小于所述預(yù)設(shè)閾值。

19、進(jìn)一步地，所述確定出現(xiàn)錯(cuò)誤的大語言模型并反饋錯(cuò)誤結(jié)果至該大語言模型包括：

20、根據(jù)所述輸入數(shù)據(jù)、所述查詢sql語句、所述測(cè)試數(shù)據(jù)及所述測(cè)試數(shù)據(jù)對(duì)應(yīng)的相關(guān)性標(biāo)識(shí)以及所述查詢結(jié)果，判斷所述第一大語言模型和所述第二大語言模型是否存在生成錯(cuò)誤；

21、若所述第一大語言模型或若所述第二大語言模型出現(xiàn)錯(cuò)誤，將錯(cuò)誤結(jié)果至出現(xiàn)錯(cuò)誤的大語言模型；

22、若無法確定所述第一大語言模型或所述第二大語言模型出現(xiàn)錯(cuò)誤，將錯(cuò)誤結(jié)果至所述第一大語言模型及所述第二大語言模型。

23、進(jìn)一步地，在所述獲取輸入數(shù)據(jù)之后，所述方法還包括：根據(jù)所述輸入數(shù)據(jù)生成所述大語言模型的提示語。

24、第二方面，本發(fā)明實(shí)施例還提供一種基于大語言模型實(shí)現(xiàn)自然語言轉(zhuǎn)sql的裝置，用以降低大語言模型輸出的隨機(jī)性，提高自然語言轉(zhuǎn)化為sql的準(zhǔn)確率，提高用戶體驗(yàn)，該裝置包括：

25、數(shù)據(jù)采集模塊，用于所述輸入數(shù)據(jù)；其中，所述輸入數(shù)據(jù)包括：自然語言問題、數(shù)據(jù)庫表以及該數(shù)據(jù)庫表對(duì)應(yīng)的輸入數(shù)據(jù)庫；

26、第一數(shù)據(jù)生成模塊，用于將所述輸入數(shù)據(jù)輸入第一大語言模型生成查詢sql語句；

27、第二數(shù)據(jù)生成模塊，用于將所述輸入數(shù)據(jù)輸入第二大語言模型生成多條測(cè)試數(shù)據(jù)以及每條所述測(cè)試數(shù)據(jù)對(duì)應(yīng)的相關(guān)性標(biāo)識(shí)；

28、數(shù)據(jù)驗(yàn)證模塊，用于將所述查詢sql語句、所述測(cè)試數(shù)據(jù)及所述測(cè)試數(shù)據(jù)對(duì)應(yīng)的相關(guān)性標(biāo)識(shí)輸入至測(cè)試數(shù)據(jù)庫并通過第三大語言模型進(jìn)行一致性檢查；

29、錯(cuò)誤鑒定模塊，當(dāng)一致性檢查不通過且不一致次數(shù)小于預(yù)設(shè)閾值，用于確定出現(xiàn)錯(cuò)誤的大語言模型并反饋錯(cuò)誤結(jié)果至該大語言模型。

30、進(jìn)一步地，所述數(shù)據(jù)驗(yàn)證模塊包括：

31、數(shù)據(jù)清空單元，用于清空所述測(cè)試數(shù)據(jù)庫中的數(shù)據(jù)；

32、輸入單元，用于將所述測(cè)試數(shù)據(jù)及所述測(cè)試數(shù)據(jù)對(duì)應(yīng)的相關(guān)性標(biāo)識(shí)輸入所述測(cè)試數(shù)據(jù)庫中；

33、查詢單元，用于在所述測(cè)試數(shù)據(jù)庫運(yùn)行所述查詢sql語句，得到查詢結(jié)果；

34、第二數(shù)據(jù)驗(yàn)證單元，用于將所述測(cè)試數(shù)據(jù)及所述測(cè)試數(shù)據(jù)對(duì)應(yīng)的相關(guān)性標(biāo)識(shí)以及所述查詢結(jié)果輸入所述第三大語言模型進(jìn)行一致性檢查。

35、進(jìn)一步地，所述第二數(shù)據(jù)驗(yàn)證單元，具體用于，通過所述第三大語言模型檢查所述查詢結(jié)果與相關(guān)性標(biāo)識(shí)為相關(guān)的所述測(cè)試數(shù)據(jù)是否一致；

36、所述裝置還包括：檢測(cè)模塊：用于檢測(cè)不一致次數(shù)是否小于所述預(yù)設(shè)閾值。

37、進(jìn)一步地，所述錯(cuò)誤鑒定模塊包括：

38、判斷單元，用于根據(jù)所述輸入數(shù)據(jù)、所述查詢sql語句、所述測(cè)試數(shù)據(jù)及所述測(cè)試數(shù)據(jù)對(duì)應(yīng)的相關(guān)性標(biāo)識(shí)以及所述查詢結(jié)果，判斷所述第一大語言模型和所述第二大語言模型是否存在生成錯(cuò)誤；

39、第一反饋單元，用于若所述第一大語言模型或若所述第二大語言模型出現(xiàn)錯(cuò)誤，將錯(cuò)誤結(jié)果至出現(xiàn)錯(cuò)誤的大語言模型；

40、第二反饋單元，用于若無法確定所述第一大語言模型或所述第二大語言模型出現(xiàn)錯(cuò)誤，將錯(cuò)誤結(jié)果至所述第一大語言模型及所述第二大語言模型。

41、進(jìn)一步地，所述裝置還包括：封裝模塊，用于根據(jù)所述輸入數(shù)據(jù)生成所述大語言模型的提示語。

42、本發(fā)明實(shí)施例還提供一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述基于大語言模型實(shí)現(xiàn)自然語言轉(zhuǎn)sql的方法。

43、本發(fā)明實(shí)施例還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述基于大語言模型實(shí)現(xiàn)自然語言轉(zhuǎn)sql的方法。

44、本發(fā)明實(shí)施例還提供一種計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī)程序產(chǎn)品包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述基于大語言模型實(shí)現(xiàn)自然語言轉(zhuǎn)sql的方法。

45、本發(fā)明實(shí)施例提供的一種基于大語言模型實(shí)現(xiàn)自然語言轉(zhuǎn)sql的方法及裝置，

46、本發(fā)明實(shí)施例中，將輸入數(shù)據(jù)分別輸入到第一大語言模型和第二大語言模型中得到查詢sql語句和帶有相關(guān)性標(biāo)識(shí)的測(cè)試數(shù)據(jù)，實(shí)現(xiàn)了自然語言轉(zhuǎn)sql；由于大語言模型存在隨機(jī)性，將得到的查詢sql語句和帶有相關(guān)性標(biāo)識(shí)的測(cè)試數(shù)據(jù)輸入到測(cè)試數(shù)據(jù)庫中進(jìn)行一致性檢查，通過引入第二大語言模型，與原有的第一大語言模型形成協(xié)同互補(bǔ)，對(duì)生成的查詢sql語句進(jìn)行一致性檢查，提高了生成的查詢sql語句的準(zhǔn)確率；若一致性檢查不通過且不一致次數(shù)小于預(yù)設(shè)閾值，確定出現(xiàn)錯(cuò)誤的大語言模型并反饋錯(cuò)誤結(jié)果至該大語言模型，進(jìn)行多輪迭代，直到通過一致性檢查或不一致次數(shù)達(dá)到預(yù)設(shè)閾值，通過一致性檢查和迭代機(jī)制有效的提高了生成的查詢sql語句的準(zhǔn)確率，極大改善了用戶體驗(yàn)。