Seq2SQL ：使用强化学习通过自然语言生成SQL

论文：  https://einstein.ai/static/images/layouts/research/seq2sql/seq2sql.pdf 

数据集： https://github.com/salesforce/WikiSQL 

          Seq2SQL属于natural language interface （NLI）的领域，方便普通用户接入并查询数据库中的内容，即用户不需要了解SQL语句，只需要通过自然语言，就可查询所需内容。

       Seq2SQL借鉴的是Seq2Seq的思想，与Seq2Seq应用于机器翻译与Chatbot类似，Seq2SQL将输入的语句encode后再decode成结构化的SQL语言输出，强化学习是在 Seq2SQL中的最后一个模块中应用。同时，这篇论文还推出一个数据集WikiSQL，数据集内有人工标注好的问句及其对应SQL语句。

         试验结果显示，Seq2SQL的准确率也不是特别的高，只有60.3%

 

 

---

      Seq2SQL结构：

     

 

       Seq2SQL由三部分组成：

    第一部分：  Aggregation classifier    这一部分其实是一个分类器，将用户输入的语句分类成是select count/max/min 等统计相关的约束条件

    在此处采用的Augmented Pointer Network， Augmented Pointer Network 总体而言也是ecoder-to-decoder的结构，

    encoder采用的是两层的bi-LSTM, decoder 采用的是两层的unidirectional LSTM，

    encoder输出h，ht对应的是第t个词的输出状态

    decoder的每一步是，输入y s-1，输出状态gs，接着，decoder为每个位置t生成一个attention的score

    ，最终生成  

     在Seq2SQL中，首先为input生成一个表征向量 （agg：aggregation clasifier， inp：input，enc:encoder）

 

      首先为 Augmented Pointer Network类似，计算出一个attention的分数 ， ，

      量化后，通过softmax函数  

      input的表征向量  

      通过一个多层的网络和softmax完成分类任务

              ，

    第二部分： select column   这一部分是看用户输入的问句命中了哪个column

     首先将每个column name 通过LSTM encode

     将用户输入encode成与第一部分 类似的

     最终通过一个多层的神经元和softmax确定是命中哪一行

     

      

    第三部分：where clause  确定约束条件，因为最终生成的SQL可能与标注中的不太一样，但是依旧有一样的结果，所以不能像前两部分一样使用交叉熵作为loss训练，因此使用强化训练中reward函数 (g: ground-truth), loss使用梯度

 

---

 

       WikiSQL：

    WikiSQL包含一系列与SQL相关的问题集以及SQL table

    

 

 

 

 

 

 

 

 

    

       

null