M SQL

M-SQL: Multi-Task Representation Learning for Single-Table Text2sql Generation

亮点：

（1）论文是国内第一届Text2SQL比赛中的冠军方案

（2）TableQA数据集比传统的WikiSQL数据集更复杂，现有的模型无法很好地解决TableQA，而M-SQL可以。

（3）论文把任务分成8个子任务，使用了基于预训练的BERT来建模，是一个多任务学习模型。

处理Text2SQL的两种方案

• Seq2seq，比如

  • Seq2SQL：把任务视为一个文本转SQL的翻译任务。encoder用来编码文本信息获取语义表示，decoder用来解码文本的语义表示来生成SQL。没有考虑SQL的语法结构，准确率低

• Sketch-based

  • SQL有固定的结构，只需要预测关键部分填入模板即可。

  • SQLNet：把任务分成6个子任务，每个子任务预测模板的一部分。条件值的预测是seq2seq模型，其它部分是分类模型

  • SQLova and X-SQL也用了类似的任务分解，并引入了预训练BERT。基本上能够解决WikiSQL数据集。

WikiSQL相比现实应用场景有很多简化的地方

• 假设select的列只能是1个

• 多条件的样本很少

• 假设where条件之间的关系只能是AND，不考虑OR

• 假设数据库的内容一定会出现在query中。

h:350px

追一科技的Text2SQL比赛数据集TableQA中有更复杂的情况，包括了上述四种。

SQLova and X-SQL不能很好地处理TableQA数据集

• TableQA需要两个额外的子任务：预测select的列数量，预测where条件之间的关系

• 现有的模型是基于column representation抽取值的，如果query中有多个值，且这些值属于不同的列，模型就不能准确地抽取值了。M-SQL把这个任务分成两个部分：value extraction和value-column matching.

• TableQA的query形式更加随意，且数据库的内容不一定出现在query中。

提出M-SQL，有8个子模型：S-num,S-col, S-col-agg,W-num-op,W-col,W-col-op,W-col-val and W-cal-match

问题定义

• SQL模板如图所示

• 假设每个SQL都有SELECT和WHERE条件

• $WOP是条件列之间的关系，["", "AND", "OR"]，空值表示没有关系

• $COLUMN是数据库的列名，这里分为selected column和conditional column

• $AGG表示selected column的操作，["", "AVG", "MAX", "MIN", "COUNT", "SUM"]

• $OP是条件列的操作符，[">", "<", "==", "! ="]

• $VALUE是条件列对应的值，如果是字符串类型的话，必须存在于数据库中

• *代表数量，这里假设select的列的数量可以是[1, 2]，条件列的数量可以是[1, 2, 3]

M-SQL包括三个部分：encoder，column representation和几个sub-models。

• encoder用了BERT-wwm-ext treats the Chinese word as a masking unit（而不是character）

• use the ``CONTENT REINFORCING LAYER'' in X-SQL as the column semantic representation

• 8个子模型：S-num（二类分类，[1, 2]）,S-col（单分类，是否选择）, S-col-agg（预测select列的聚合函数）, W-num-op（预测条件列之间的关系和条件列的数量，7类分类）,W-col（预测条件列，单分类，是否选择）,W-col-op（预测条件列的操作符）,W-col-val（从query中抽取条件列的值） and W-cal-match（match条件列和抽取的值）

Encoder

• 输入[XLS], T1, T2, ... , TL, [SEP], H11, H12, ... , [SEP], ... , [SEP], Hn1, Hn2, ... , [SEP]

COLUMN REPRESENTATION

• 用全局信息xls来加强每列的语义表示（attention）

h:350px

因为h[XLS]是S-num and W-num-op这两个子任务的输入，这里加上h[XLS]可以在子任务之间建立关联，提高多任务学习的能力

SUB-TASK OUTPUT

S-num（预测Select的列，二类分类，[1, 2]）

W-num-op（预测条件列之间的关系和条件列的数量，7类分类，["null-1", "OR-1", "AND-1", "OR-2", "AND-2","OR-3", "AND-3"].）

S-col（单分类，是否选择） and W-col（预测条件列，单分类，是否选择）。The probability that the i-th column belong to the target column is as follows.

S-col-agg（预测select列的聚合函数，["", "AVG", "MAX", "MIN", "COUNT", "SUM"]）

W-col-op（预测条件列的操作符，[">", "<", "==", "! ="]）

W-col-val（从query中抽取条件列的值，是否抽取query中的第i个token，此时不考虑column representation）

W-val-match（match条件列和抽取的值，如果是匹配的value和column，则标签是1，否则是0，s和e代表抽取的值v的起始位置和结束位置）

用execution-guided decoding strategy删掉那些不合理的SQL。

实验

训练，开发，测试：41,522, 2,198 and 2,198 respectively.

batch size is 32 and the lr is 2e-5

评估指标：Logical-form accuracy(LX)，Execution accuracy(X)，Mean accuracy(MX)（前面两个的均值）.

ABLATION STUDY消融实验

2-type是指区分query和column的，3-type是区分query, string-type column and real-type column，没有收敛

enhance：加入数据库的内容来加强列的representation，使得区分度更强。

• 对于每一列，选择和query最相似的cell，把column和cell content concat起来作为一个新的representation

• rouge-L作为相似度计算函数，阈值为0.6

• the "region" column can be enhanced to "region, Nanning''

h:400px

抽取value的方法

• 看做序列标注问题，用CRF，BILSTM

• 预测start和end位置，pointer

• 0/1标注

抽取的值可能和数据库中的不一致，需要矫正

• 规则匹配+rouge-L计算相似度选择最高相似度的

• 通过机器学习方法，利用统计特征从数据库里选择匹配的value

  • 统计特征：抽取值和数据库值之间的rouge-L recall和precision。query和数据库值之间的rouge-L recall和precision，抽取值和数据库值之间的共现字符数

  • lr，svr（支持向量），bayes

rouge-L：分子是X和Y的最长公共子序列的长度，分母是m和n分别代表是Recall和Precision。m,n分别表示参考摘要和自动摘要的长度（一般就是所含词的个数）

Q&A