【Text2SQL 论文】IncSQL：通过增量式生成 action 序列来得到 SQL

论文：IncSQL: Training Incremental Text-to-SQL Parsers with Non-Deterministic Oracles

⭐⭐⭐

ICLR 2019，arXiv:1809.05054, Microsoft Research

一、论文速读

本文提出了 IncSQL，一个使用 Non-Deterministic Oracles 思路的增量式 Text2SQL Parser，在 WikiSQL 上做的测试。

该模型的输入 $x$ 包括 NL question 和 table schema（不包含 content），输出 $y$ 是一个 SQL query。如下图所示：

由于 WikiSQL 的 SQL 结构是固定的，所以每个 SQL query 唯一对应一个 structured representation，比如上面 example 的 SQL 对应下面这个结构：

• 这个 structure 包含 AGG、SELCOL 和 COND 三个部分。

1.1 将对 SQL 的生成任务，视为对 action sequence 的生成

本文模型将 $y$ 的生成转变为这个 structure 的生成，这个 structure 的生成又转为对 action sequence 的生成：有一个初始 parser state $p_0$ 和一个空的 struct，每一个 action 会在 struct 中填充一部分内容，并将 parser state 由 $p$ 进化为 $p^{\prime }$。所有可能的 action 如下表：

• AGG(agg) action 表示为 struct 的 AGG 部分填充上 agg 值
• SELCOL(ci) action 表示为 SELCOL 部分填充上 $c_i$ 值
• CONDCOL(ci) action 表示为 COND 部分增加一列，并且将这一列中的 COL 部分填充为 $c_i$ 值
• CONDOP(op) action 表示为 COND 中的 OP 部分填充 op
• CONDVAL(w i:j) action 表示为 COND 中的 VAL 填充上 question[i:j] 的值
• END 表示 action sequence 的结束

由此，前面 Example 中的 SQL 的生成就可以被视为下面这个 action sequence：

这样，我们通过生成 action sequence，就可以生成一个 SQL query。

1.2 Decoder

假如我们已经通过 encoder 获得了 question 和 column headers 的上下文表示，使用 $a$ 表示一个 action。

Decoder 模型就可以视为一个概率分布：$P_{\theta }(a|x,a_{<i})$ —— 表示根据 input x 和过去的 actions 来生成当前 step 的 action。

在一个 step 中，具体选择哪一个 action 作为下一个生成结果，是一个分类问题，模型为所有候选 actions 打分，并通过 softmax 概率化，按照贪心策略选择当前 step 最有可能的 action。

模型的具体选择上，使用了 LSTM 来一个 step 一个 step 的生成，每一个 step 基于 LSTM 当前的 hidden state 和 question 与 schema 的 representation 来做预测。具体做法可以参考原论文。

1.3 Encoder

Encoder 主要是为 question 和 column headers 生成 context-sensitive representation，本论文主要使用了 bi-LSTM，具体细节不再介绍。

1.4 整体模型架构

有了 Encoder 和 Decoder，本论文的模型架构如下图所示：

二、Non-Deterministic Oracles

由于同一个 question，可以对应多个等价的 SQL，因为 WHERE 子句中不同的 cond 是可以互换的。

以往的研究中，由于 order-matters 问题，都假设了每个 question 仅有一个正确的 SQL query，但这在实践中并不符合实际。

在本文模型的训练过程中，在让 model 生成下一个 step 的 action 时，允许他探索多种目标策略，而不仅仅单一的目标策略，这种方法被称为 Non-Deterministic Oracles。

比如在最开始的例子中，是先生成的 CONDCOL(c3) 再 CONDCOL(c2)，但训练时也允许先 CONDCOL(c2)。

同时 Non-Deterministic Oracle 还增加了一个特殊列名 ANYCOL，因为所要预测的 column name 有可能不出现在 question 中，比如 “What is the area of Canada?” 中并没有 country 这个单词，为了预测这个单词，模型可以输出 CONDCOL(ANYCOL)，在后面，我们会将其做扩展，比如模型如果想表达 ANYCOL='Willis'，那我们会扩展为 rank='Willis' OR name='Willis' OR ...，这样当 value 可以明确地解析为一个 column name 时，这样的 ANYCOL 时被视为正确的操作。

模型的损失函数被定义如下：