USD-RAG:Unique Schema-Driven Retrieval Augmented Generation for Text-to-SQL via In-Context Learning

Text-to-SQL은 자연어로 작성된 질문을 SQL 질의문으로 변환하여 사용자가 데이터베이스와 효율적으로 상호작용할 수 있도록 하는 중요한 기술이다. 거대 언어 모델의 발전으로 문맥 학습 방법을 통해 추가 학습 없이도 새로운 데이터베이스에서 SQL을 생성할 수 있는 가능성이 제시되고 있다. 그러나 기존 방법은 문맥 학습을 위하여 퓨샷 예시를 임의로 선택하거나 자연어 질문 유사성에 기반하여 검색하는 방식으로, 예시 선택 과정에서 데이터베이스 스키마의 구조적 차이를 충분히 반영하지 못하는 문제가 있다. 본 논문에서는 데이터베이스 스키마 구조를 효과적으로 반영하는 검색 증강 생성 기법을 제안한다. 또한 데이터베이스 테이블 및 컬럼 구조를 고려한 SQL 생성을 위한 프롬프트를 제시한다. 실험 결과, Text-to-SQL 작업에서 데이터베이스 스키마의 구조적 정보를 활용한 검색 증강 생성 기법이 자연어 질문 유사성 기반 방법 대비 효과적임을 보인다.