Text-to-SQL小白入门（三）IRNet：引入中间表示SemQL

摘要

本文主要介绍了IRNet论文的基本信息，比如标题、摘要、数据集、结果&结论，以及论文中提出的不匹配问题和词汇问题以及对应的解决方案，重点学习了中间表示SemQL。

引言

学习论文时，可以先粗略看看论文标题-摘要-数据集-结果/结论，最后想详细了解信息的话可以重点看看模型结构/代码实践等

论文标题

今天学习的论文是西安交通大学、北京邮电大学、微软发表于2019年ACL的文章《Towards Complex Text-to-SQL in Cross-Domain Database with Intermediate Representation》，后面大家简称为IRNet （Intermediate Representation Network简写）。

• 英文标题：Towards Complex Text-to-SQL in Cross-Domain Database with Intermediate Representation
• 中文翻译：使用中间表示（Intermediate Representation）在跨域数据集实现复杂的Text-to-SQL
• 论文作者：Jiaqi Guo, Zecheng Zhan, Yan Gao, Yan Xiao, Jian-Guang Lou, Ting Liu, Dongmei Zhang
• 作者单位：西安交通大学、北京邮电大学、微软
• 发表会议：2019 ACL（Annual Meeting of the Association for Computational Linguistics），CCF-A
• 文章链接：https://arxiv.org/abs/1905.08205
• 代码链接：GitHub - microsoft/IRNet: An algorithm for cross-domain NL2SQL

看论文的意外之喜，仙交厉害啊

郭家琪和刘烃老师也是首个跨领域多轮Text2SQL中文数据集——CHASE数据集的作者！！！

那就顺带再放一下陕西省天地网重点实验室-刘烃老师组介绍：软件系统安全小组-陕西省大数据知识工程重点实验室

论文摘要

摘要已经把论文的核心说清楚了

核心创新点是在从自然语言问题->到SQL语言过程中，引入中间层表示，论文中称为SemQL

也就是：NL -> SemQL -> SQL

1. 作者提出了一种称为IRNet的方法，适用于复杂和跨领域的Text2SQL。
2. IRNet旨在解决两个挑战：
   1. mismatch problem：自然语言(NL)表达的意图与SQL实现细节之间的不匹配;
   2. lexical problem：大量的领域外的词给预测列带来了挑战。
3. 与端到端合成SQL查询不同，IRNet将合成过程分解为三个阶段。
   1. schema linking：IRNet在问题和数据库模式之间执行模式链接。
   2. 生成SemQL：IRNet采用基于语法的神经模型来合成一个SemQL查询。(SemQL查询是作者设计的连接NL和SQL的中间表示)
   3. 生成SQL：IRNet确定地从具有领域知识的合成SemQL查询中推断出SQL查询。
4. 在数据集Spider上，IRNet达到了46.7%的准确率，比以前最先进的方法获得了19.5%的绝对改进。
5. IRNet在数据集Spider获得了第1名。（2019年的时候）

论文数据集

论文数据集使用的是Spider数据集。

• Spider数据集是多数据库、多表、单轮查询的Text2SQL数据集，也是业界公认难度最大的大规模跨领域评测榜单，由2018年耶鲁大学提出，由11名耶鲁大学学生标注。
• 数据集下载地址：Spider: Yale Semantic Parsing and Text-to-SQL Challenge
• 数据集介绍参考：Text-to-SQL小白入门（一）

论文结果&结论

结果

效果提升巨大！！！

• Spider数据集上完全匹配精度exact matching accuracy在开发集和测试集都取得第1的效果，重点是提升巨大。
• 加上BERT后，提升效果更大。

特别困难的SQL需要有经验的SQL从业者才能写出，确实有点为难模型了。

• 可以发现在Spider的简单SQL上准确率已经77.2%，特别困难的SQL准确率才25.3%。

• 2019年榜单Test集是54.7%，2023年榜单Test集已经是74.0（提升空间仍然很大）

结论

看完结论，完结散花，开始下一篇

论文提出了什么方法

解决了什么问题

在什么数据集上验证了效果

论文提出了一种神经网络方法SemQL，用于复杂的跨域文本到sql，旨在解决词法问题以及模式链接和中间表示的不匹配问题。在具有挑战性的Spider基准测试上的实验结果证明了IRNet的有效性。

问题引入

前面摘要已经大概讲了原来的SQL的主要问题有2个

接下来细致讲解一下

mismatch problem不匹配问题

因为WikiSQL数据集相对简单，一些先进的端到端方法已经能达到80%以上的准确率了，但是在Spider数据集上却表现不佳。

Spider数据集带来了新的挑战。

• Spider中的SQL查询包含嵌套查询和子句，如GROUPBY和HAVING，这比WikiSQL复杂。

考虑下图的Text2SQL，问题中从未提到要在SQL查询中进行分组的列“student id”。实际上，SQL中引入GROUPBY子句是为了方便聚合函数的实现。

• 输入NL：

Show the names of students who have a 
grade higher than 5 and 
have at least 2 friends
（查询成绩大于5并且有至少2个以上朋友的学生姓名。）

• 输出SQL：

SELECT T1.name
FROM friend AS T1 JOIN highschooler AS T2 
ON T1.student_id = T2.id WHERE T2.grade > 5 
GROUP BY T1.student_id HAVING count(*) >= 2

从本质上来说，SQL是为有效地查询关系数据库而设计的，而不是为了表示自然语言NL的含义。因此，在用自然语言表达的意图和用SQL实现的细节之间不可避免地存在不匹配，即mismatch problem。

lexical problem词汇问题

Spider数据集中划分了train训练集、dev验证集、test测试集

因为dev验证集中有35%的数据库模式的单词没有出现在训练集，相比之下，在WikiSQL中这个数字只有22%。

大量的OOD（out-of-domain）领域外的单词对SQL查询中的column列名预测提出了另一个严峻的挑战，因为OOD单词通常在神经模型中缺乏准确的表示。论文认为这个挑战是一个词汇问题。

问题解决

论文提出了问题

那么就要解决问题

为了解决这些问题，论文提出了IRNet。通过中间表示intermediate representation和模式链接schema linking来解决不匹配问题和词汇问题。

Intermediate Representation中间表示

为了消除这种不匹配，论文设计了一种特定于领域的语言，称为SemQL，它作为NL和SQL之间的中间表示。

下图左边就是与上下文无关的SemQL语法，下图右边代表一个SemQL查询的例子。

SQL例子：

SELECT T1.name

FROM friend AS T1 JOIN highschooler AS T2

ON T1.student_id = T2.id WHERE T2.grade > 5

GROUP BY T1.student_id HAVING count(*) >= 2

SemQL语法

如上图左边所示：简单理解一下：

• Z：表示两个查询集合R之间的操作：交集、并集、差集或者不做任何操作
• R：表示查询集：单纯查询（Select）| 查询过滤（Select Filter）｜ 查询排序后的结果（Select Order）｜ 查询聚合后的最值（Select Superlative）| 还有这些的组合情况
• Select：若干个通过查询得到的字段。
• Order：升序asc和降序desc
• Superlative：最多most或者最少least(论文图里面写的suerlative，应该是少写了一个字母)
• Filter：过滤条件之间的关系：and | or，或者其他的过滤条件（> | < | = | ..）
• A：aggregation聚合函数
• C：column列
• T：table表

SemQL例子

结合SemQL语法，理解一下上图右边：SemQL例子：从上往下，自顶向下遍历这颗SemQL树

• 只有一个查询集合，没有多个查询集的集合操作，所以直接从顶部 Z - R
• R是一个Select Filter （因为SQL中是 SELECT T1.name ... WHERE），这个Filter是由2个Filter组成的。

• • Select 表friend的 name
  • 两个Filter之间是and 关系

• • • 一个Filter是针对T2.grade > 5
    • 另一个Filter是count(*) >= 2

SemQL优点：

受lambda DCS (Liang, 2013)的启发，SemQL被设计为树形结构，有两个优点：

• 有效地约束合成过程中的搜索空间。
• 鉴于SQL的树结构特性，遵循相同的结构也使其更容易直观地转换为SQL。

为什么能解决mismatch问题？

不匹配问题主要是由SQL查询中的实现细节和自然语言问题中缺少具体信息引起的。

因此，很自然地将实现细节隐藏在中间表示中，这构成了SemQL的基本思想。

考虑到上图右边部分，SQL查询中的GROUPBY、HAVING和FROM子句在SemQL查询中被消除，WHERE和HAVING中的条件在SemQL查询中的Filter子树中统一表示。

在后面的推理阶段，可以使用领域知识从SemQL查询确定地推断出实现细节。

• 举例子：SQL查询的GROUPBY子句中的列通常出现在SELECT子句中，或者它是聚合函数应用于其中一个列的表的主键。

SemQL推断SQL的前提

1.要求在SemQL中声明列所属的表。

• 比如列“name”及其表“friend”是在SemQL查询中声明的。
• 表的声明有助于区分模式中重复的列名。

2.基于数据库模式的定义是精确和完整的假设来执行推断。具体地说,

• 列是另一个表的外键，应该在模式中声明外键约束。
• 这个假设通常成立，因为它是数据库设计中的最佳实践。在Spider基准的训练集中，超过95%的例子都持有这个假设。

SemQL推断SQL的流程

以SQL查询中FROM子句的推理为例：

• 首先确定连接模式中SemQL查询中声明的所有表的最短路径

• • (数据库模式可以表示为无向图，其中顶点是表，边是表的外键)

• 然后将所有在路径(path)上的数据表表都连接(joining)起来就得到了FROM从句

Schema Linking模式链接

IRNet中模式链接的目标是识别问题中提到的列名和表名，并根据它们在问题中提到的方式为这些列分配不同的类型：table | column | value

字符串匹配

实现方式：字符串匹配的方法。（简单但是高效）

1. 首先枚举出一个NL问题中所有长度不大于的6的n-gram短语。（就是按不同长度找字符串子集）
   1. 从长度为1、2、3、4、5、6分别枚举一次，假如自然语言问题长度为x，总共可以有（6x -15）个分词
   2. 长度为1的短语有 x 个
   3. 长度为2的短语有 x - 1 个
   4. 长度为3的短语有 x - 2 个
   5. 长度为4的短语有 x - 3 个
   6. 长度为5的短语有 x - 4 个
   7. 长度为6的短语有 x - 5 个
2. 如果某个n-gram短语恰好匹配上了某个字段名称, 或者是列名的子串, 那么就识别该n-gram短语是一个column
   1. 同理可以用相似的方法识别出某个n-gram短语是一个table;
   2. 如果某个n-gram短语同时被识别为column和table则优先认定为column;
3. 如果某个n-gram短语以单引号开始+单引号结束，那么就认为是value
4. 某个n nn-gram短语被指定了类型type, 那么所有与该n-gram短语字符串有重叠部分的n-gram短语全部被移除, 不再被考虑;
5. 最后将所有识别出的实体序列（table 、column、value）与剩余的1-gram短语按原先NL问题中单词的顺序排列起来, 就可以得到一个互不重叠的实体序列;
6. 根据⑤中得到的实体序列, 给序列中的每个n-gram短语分别附上table, column, value标签。这些短语在论文中称作一个span。

比如在下图中：自然语言问题Question中：

• Show、the、and等都是剩下的1-gram短语，标记为none
• book titles、years等是column
• books 是table

模型

前面分享了论文提出的问题以及对应的解决办法

接下来分享一下模型的其他部分，模型结果如上图所示

NL Encoder

• 作用：用于编码自然语言问题NL
• 输入：问题Question + n-gram的分词type
• 输出：Embedding
• 通过Bi-LSTM实现

Schema Encoder

• 作用：用于编码数据库schema信息。
• 输入：接受整个s作为输入

• • s = (c, t)表示一个数据库结构schema
  • c = {(column, type),(column, type),....(column, type)},表示所有的列和类型
  • t 表示所有的table

• 输出：Embedding

Decoder

• 作用：用于生成SemQL查询。
• 鉴于SemQL的树状结构，论文使用基于语法的解码器(Yin和Neubig, 2017,2018)，该解码器利用LSTM通过动作的顺序应用对SemQL查询的生成过程进行建模。
• 解码器与三种类型的操作交互以生成SemQL查询，包括APPLYRULE、SELECTCOLUMN和SELECTTABLE。

• • ApplyRule(r)：生成规则r应用于SemQL查询的当前派生树
  • SelectColumn(c)：从数据库schema中选择一个列column
  • SelectTable(t)：从数据库schema中选择一个表table

额外

memory augmented pointer network内存增强指针网络

• 作用：优化在合成SemQL过程中进行列column的选择。
• 具体：当一个字段被选到时, 该网络首先决定是否要在内存(memory)中选出, 这一点与普通的 pointer network不一样。

Coarse-to-fine粗力度到细粒度

• 作用：优化生成SemQL查询过程
• 具体：引入Coarse-to-fine框架，该框架是用来将SemQL查询的解码过程分解成两个阶段:

• • 第一阶段: 一个框架(skeleton)解码器输出SemQL查询的框架(skeleton);
  • 第二阶段：一个细节(detail)解码器通过选择字段和数据表来向第一阶段输出中填写缺失的细节

代码

GitHub - microsoft/IRNet: An algorithm for cross-domain NL2SQL

preprocess/sql2SemQL.py：

• 把sql 转化为 SemQL，便于训练。

sem2SQL.py：

• 把SemQL转化为 sql，便于输出测试。

参考

https://arxiv.org/abs/1905.08205

Spider: Yale Semantic Parsing and Text-to-SQL Challenge

【论文阅读】让数据库听懂人话（Text-to-SQL）_text2sql_囚生CY的博客-CSDN博客

Text-to-SQL小白入门（一） - 知乎