RAS：基于反射增强缩放与上下文学习的可执行Cypher查询生成

背景与问题

语言模型在生成Cypher查询时存在两种类型的错误：非执行性查询和语义不准确。前者是指语法上正确的但无法执行的查询；后者则是语义上的错误。这些错误通常在推理阶段被忽略，未通过上下文学习（ICL）来优化查询代码生成。研究对比了两种不同的推理方法——独立缩放（IS）与反射增强缩放（RAS），以探索如何更有效地利用这些执行错误进行改进。

核心内容

Text2Cypher采用的是语言模型生成Cypher查询的方式，该查询需要在属性图数据库中执行。研究指出，非执行性查询虽然是语法正确的但无法执行的代码，但这与语义不准确是两种不同的问题。IS方法通过无记忆重新采样进行推理；而RAS则在每次尝试时根据前一次执行反馈进行条件调整，利用ICL机制来优化后续生成的查询。

实验结果表明，在Neo4j三个数据集及五种代码专用的语言模型中，RAS的方法表现更优。具体而言，在n=5次尝试后，RAS将查询执行错误率降低了41-50%，而IS则为32-38%。这表明利用执行反馈进行推理调整（即RAS）比单纯独立样本缩放（IS）更加有效。

意义与影响

该研究提出了一个新的视角来处理语言模型生成的查询中的错误问题，通过结合ICL机制能够更有效地从执行错误中学习并优化未来的查询生成。这种策略不仅提高了代码质量，还展示了如何在实际应用中充分利用执行过程中的反馈信息以提高系统性能。未来的工作可以探索更多不同类型的数据库和查询语言，并进一步研究其他可能的改进方法，例如结合其他形式的知识或先验信息来增强推理效率。