본 논문은 대규모 언어 모델(LLM)의 문맥 내 학습을 이용한 Text-to-SQL(자연어 질문을 SQL 쿼리로 변환) 방식의 성능 향상을 다룹니다. 기존 방법들은 무작위로 선택된 예시와 비교하여 성능 향상이 미미하고, 작은 LLM(예: Llama 3.1-8B)을 사용할 경우 성능이 크게 저하되는 한계를 보입니다. 이는 기존 방법들이 유용한 예시를 효과적으로 검색하기보다는 초거대 LLM의 고유한 능력에 크게 의존함을 시사합니다. 본 논문에서는 질문과 데이터베이스 스키마 항목 간의 핵심 정보와 의미 관계를 포함하는 심층 문맥 스키마 링크 그래프(Deep Contextual Schema Link Graph)를 제안하여 효과적인 예시 검색 및 SQL 쿼리 생성을 수행합니다. Spider 벤치마크 실험 결과, 초거대 LLM과 소규모 LLM 모두에서 SQL 생성 성능과 효율성이 향상됨을 보여줍니다. 코드는 깃허브에서 공개됩니다.
