《AI》：An Emulated Dynamic Framework for Evaluating Metaheuristic-Based Load Balancing Techniques in Edge Computing Networks
Daisy Nkele Molokomme,
Adeiza James Onumanyi and
Adnan M. Abu-Mahfouz
编辑推荐：
在工业4.0环境中，操作员和生产经理经常使用自然语言查询工业数据库，以进行生产监控、质量控制和设备维护。现有的中文自然语言转SQL（NL2SQL）系统通常在单个编码器中处理语义、程序和模式信息，这导致语义-程序干扰和生成的SQL中频繁出现结构或模式错误。研究人
在工业4.0环境中，操作员和生产经理经常使用自然语言查询工业数据库，以进行生产监控、质量控制和设备维护。现有的中文自然语言转SQL（NL2SQL）系统通常在单个编码器中处理语义、程序和模式信息，这导致语义-程序干扰和生成的SQL中频繁出现结构或模式错误。研究人员提出了CIR-SQL，一个通过结构化中间表示将意图识别与SQL生成分离的双模型框架，将语义理解与程序合成解耦。CIR-SQL采用七类别意图分类系统（simple_select、count_query、filter_query、max_min_query、sort_query、join_query、group_by_query），并利用大语言模型（LLM）进行意图识别和结构化信息提取。一种三级层次化回溯策略（SQL、上下文、意图）通过纠正不同类型的错误进一步提高了鲁棒性。该架构特别适用于工业4.0场景，其中中文操作员与包含生产数据、质量指标和设备状态信息的复杂工业数据库进行交互。
工业4.0推动了制造业向数据驱动的智能系统转型，生产监控、质量控制和设备维护等领域依赖对工业数据库的实时查询，但SQL的复杂性成为非技术用户获取数据洞察的障碍。现有中文自然语言转SQL（NL2SQL）方法在统一编码器中同时处理语义、程序和模式信息，导致语义-程序干扰，生成的SQL常出现结构缺失或模式错误。已有基于大语言模型（LLM）的方法通过任务分解缓解部分问题，但SQL生成模块仍需处理从简单到嵌套的全面任务，不同知识相互干扰，难以准确理解用户意图。为此，研究人员提出CIR-SQL（中文意图识别SQL），一个双模型迭代优化框架，通过结构化意图中间表示将NL2SQL解耦为意图识别和SQL生成两个专门子任务，分离语义层与程序层。在Chase和CSpider数据集上的实验表明，CIR-SQL在执行准确率（EA）和精确匹配（EM）上均显著优于基线方法，在Chase上EA达52.5%（提升6.7个百分点），在CSpider上EA达62.2%（提升10.1个百分点）。该框架尤其适用于工业4.0场景，中文操作员可无SQL知识地访问复杂工业数据库，降低数据驱动决策的技术障碍。论文发表在《AI》。关键技术方法方面，CIR-SQL包含三个核心模块：意图识别模块通过七类别分类系统（simple_select、count_query、filter_query、max_min_query、sort_query、join_query、group_by_query）提取意图类别、候选表-列集、谓词模板集、SQL关键字集和自然语言描述；上下文增强模块将离散结构化信息整合为完整结构化意图表示H
Aug，并基于此生成SQL；意图校正模块通过执行反馈进行层次化回溯，语法错误触发SQL层修复，语义或模式错误回溯至上下文增强模块，意图偏差回溯至意图识别模块。方法基于Qwen3-8B作为骨干LLM，使用Few-shot示例和差异化提示模板。实验数据来源于Chase（755测试样本）和CSpider（1034测试样本）两个中文NL2SQL基准数据集。研究结果部分，**4.1 实验设置**：采用Chase和CSpider数据集，以EA和EM为指标，确保基线方法（包括DIN-SQL、MAC-SQL等）均使用Qwen3-8B进行公平对比，实验结果为三次运行平均值。**4.2 主要结果**：CIR-SQL在Chase上EA为52.5%、EM为23.5%，在CSpider上EA为62.2%、EM为47.6%，均优于所有基于LLM的基线方法；在与GPT-4等专有模型的零样本对比中，虽然模型规模差异使比较不完全公平，但CIR-SQL仍表现更优，表明特定任务架构的有效性。**4.3 中文意图识别性能分析**：对不同意图类型（simple_select、count_query等）进行性能分析，发现simple_select（EA 62.4%）和count_query（EA 58.9%）因包含明确词汇模式而表现较好，而filter_query（EA 38.6%）和group_by_query（EA 40.5%）因涉及隐含条件和复杂逻辑而准确率较低，揭示了更深层语义理解的需求。**4.4 消融研究**：逐步添加意图识别模块、上下文增强模块和意图校正模块，基线Qwen3-8B直接生成EA为30.5%，完整模型提升至52.5%（Chase）和62.2%（CSpider），分别提升了22.0和27.0个百分点，验证了每个模块的贡献。**4.5 策略分析**：针对不同意图类型设计了差异化的H
Aug构建策略，例如simple_select只需SELECT、FROM，而group_by_query需GROUP BY、HAVING，结构化信息提取的差异化策略提高了SQL生成质量。**4.6 实现细节**：意图识别模块采用top-K选择（K=10后过滤到5个相关列），Few-shot示例基于意图类型和模式结构相似性选取3~5个，层次化回溯最多三次迭代，错误检测分四类（语法、语义、模式、连接）。平均每个查询需2.3次LLM调用，2200个token，延迟3.2秒，相比单次基线增加了计算成本但显著提升了准确率。**4.7 讨论**：讨论了计算成本与准确率的权衡（适用户器应用），七类别分类系统对歧义查询的局限性，未来可探索多标签意图检测；框架的模块化设计支持泛化到其他语言；工业应用中3.2秒延迟对临时查询可接受，但实时系统需优化；并提出了与工业4.0平台（MES、ERP、物联网）集成的RESTful API方案。**4.8 案例研究**：通过6个不同复杂度的查询案例（简单选择、时间筛选、分组聚合、工业订单、制造商管理、工业聚合）展示了CIR-SQL的处理流程，包括意图识别、结构化表示生成、SQL生成和层级回溯纠错，验证了框架的实际效果。**4.9 错误分析**：对Chase测试集失败样本分类，语法错误占12.3%、语义错误28.7%、模式错误18.5%、意图误分类15.2%、复杂查询25.3%；在工业相关查询（CSpider子集）中，错误模式存在差异，如订单跟踪查询的时间表达式错误率较高，制造商管理查询的意图误分类率较高，需改进枚举值处理和意图消歧。总结讨论部分，研究结论部分翻译如下：研究人员提出了CIR-SQL，一个用于意图增强的中文NL2SQL的双模型迭代优化框架，该框架通过结构化意图中间表示H
Aug分离语义和程序层，将NL2SQL解耦为意图识别和SQL生成，有效缓解了语义-程序干扰。在Chase和CSpider数据集上的实验验证表明，双模型架构和意图增强策略是有效的。CIR-SQL在多个领域（包括工业4.0场景）具有广泛适用性，七类别意图分类系统可处理生产监控、质量控制、设备维护等常见查询模式，使中文操作员无需SQL专业知识即可与复杂数据库交互，降低技术障碍，支持数据驱动决策。层次化回溯策略有效处理错误，对决策关键的应用尤为重要。未来工作将探索更细粒度的意图分类、自适应策略、领域知识库集成和优化回溯，并计划评估与企业平台的集成。
