【微软】【ICLR 2022】TAPEX：通过学习神经 SQL 执行器进行表预训练

重磅推荐专栏： 《大模型AIGC》；《课程大纲》
本专栏致力于探索和讨论当今最前沿的技术趋势和应用领域，包括但不限于ChatGPT和Stable Diffusion等。我们将深入研究大型模型的开发和应用，以及与之相关的人工智能生成内容（AIGC）技术。通过深入的技术解析和实践经验分享，旨在帮助读者更好地理解和应用这些领域的最新进展

论文：https://arxiv.org/abs/2107.07653
代码：https://github.com/microsoft/Table-Pretraining

通过利用大规模非结构化文本数据，语言模型的研究取得了巨大的成功。然而，由于缺乏大规模、高质量的表格数据，对结构化表格数据进行预训练仍然是一个挑战。在本文中，作者提出TAPEX来证明表预训练可以通过在合成语料库上学习神经SQL执行器来实现，这是通过自动合成可执行的SQL查询及其执行输出来获得的。TAPEX通过指导语言模型在多样化、大规模和高质量的合成语料库上模拟SQL执行器，从而解决了数据稀缺性的挑战。作者在四个基准数据集上评估了TAPEX。实验结果表明，TAPEX比以前的表前训练方法有很大的优势，并且都取得了新的最先进的结果。

1. 概述

在本文中，作者提出了一种新的以执行查询为核心的表格预训练方法——TAPEX（TAble Pretraining via EXecution）。通过逼近表上的正式语言的结构推理过程，实现了高效的表预训练。结构性推理过程与表的可执行性相关联，即表本身就能够支持各种推理操作（例如，对表中的一列进行求和）。特别是，TAPEX通过对语言模型（LM）进行预训练来模拟表上的SQL执行引擎的行为，来近似SQL查询的结构性推理过程。

如图1-1所示，通过对表进行采样可执行的SQL查询，TAPEX首先合成了一个大规模的训练前语料库。然后，它继续预训练一个语言模型，以输出这些SQL查询的执行结果，这些查询从SQL执行引擎获得。 由于SQL查询的多样性，可以很容易地合成一个多样化、大规模、高质量的训练前语料库。

2. 对下游任务的微调

模型整体是一个BART结构。如图2-1所示，输入包含一个NL句子及其相应的表。

编码NL句子相对简单，而编码表并不简单，因为它展示了底层结构。在实践中，作者将表压平成一个序列，以便将它可以直接输入到模型中。通过插入几个特殊的标记来表示表的边界，可以将一个扁平的表格表示为：
$T^{\ast }=[HEAD],c_1,\cdot \cdot \cdot ,c_N,[ROW],1,r_1,[ROW],2,r_2,\cdot \cdot \cdot ,r_M$

这里[HEAD]和[ROW]是特殊标记，分别表示表头和行的区域，[ROW]之后的数字用于表示行索引。注意：作者还使用“竖条|”在不同的列中分离标题或单元格。最后，作者在扁平表$T^{\ast }$拼接上NL句子x作为前缀，并将它们输入模型编码器。

3. 通过执行器进行表格预训练

为了设计表的预训练的有效任务，作者认为关键在于表的可执行性。也就是说，结构化表使我们能够通过诸如SQL查询等编程语言对它们执行离散操作，而非结构化文本则不能。考虑到这一点，TAPEX采用SQL执行作为唯一的训练前任务。如图3-1所示，TAPEX的预训练与上述生成式微调的过程相似。

给定一个可执行的SQL查询和一个表T，TAPEX首先将SQL query 和打平的表$T^{\ast }$连接起来，以馈入模型编码器。然后，它通过一个现成的SQL执行器（例如，MySQL）获得查询的执行结果，作为模型解码器的监督。直观地说，预训练过程是为了让一个语言模型成为一个神经SQL执行器。作者认为，如果一个语言模型可以预先训练，可靠地“执行”SQL查询并产生正确的结果，它应该对表有深入的理解。因此，执行预训练任务可以更有效地理解表和推理表。

4. 实践

你可以在 🤗 Transformers 中尝试经过训练的神经 SQL 执行器，如下所示：

from transformers import TapexTokenizer, BartForConditionalGeneration
import pandas as pd

tokenizer = TapexTokenizer.from_pretrained("microsoft/tapex-large-sql-execution")
model = BartForConditionalGeneration.from_pretrained("microsoft/tapex-large-sql-execution")

data = {
    "year": [1896, 1900, 1904, 2004, 2008, 2012],
    "city": ["athens", "paris", "st. louis", "athens", "beijing", "london"]
}
table = pd.DataFrame.from_dict(data)

# tapex accepts uncased input since it is pre-trained on the uncased corpus
query = "select year where city = beijing"
encoding = tokenizer(table=table, query=query, return_tensors="pt")

outputs = model.generate(**encoding)

print(tokenizer.batch_decode(outputs, skip_special_tokens=True))
# ['2008']

5. 实验与分析

5.1 实验结果

作者在四个基准数据集上评估（ TAPEX，包括WikiSQL（Weak）、WikiTableQuestions、SQA和TabFact）。

如图5-1的实验结果表明，TAPEX 大大优于以前的表格预训练方法，并且在所有这些方法上都取得了SOTA结果。

5.2 与以前的表预训练对比

表预训练的最早工作（Google Research 的 TAPAS 和Meta AI 的TaBERT）表明，收集更多领域自适应（domain-adaptive）数据可以提高下游性能。然而，这些以前的工作主要采用通用（general-purpose）的预训练任务，例如语言建模或其变体。TAPEX探索了一条不同的路径，通过牺牲预训练的自然性来获得领域自适应的预训练任务，即SQL执行。BERT、TAPAS/TaBERT 和 TAPEX 的比较如下图5-2所示：

作者认为 SQL 执行任务更接近于下游的表问答任务，尤其是从结构推理能力的角度来看。假设你面临一个 SQL 查询 SELECT City ORDER BY Year 和一个自然问题Sort all cities by year。SQL查询和问题所需的推理路径类似，只是SQL比自然语言更死板一些。如果一个语言模型可以被预训练以可靠地“执行”SQL 查询并产生正确的结果，它应该对具有类似意图的自然语言有深刻的理解。

效率怎么样？这样的预训练方式和之前的预训练相比效率如何？下图5-3给出了答案：

与之前的表格预训练方法TaBERT相比，TAPEX仅使用2%的预训练语料就可以得到2%的提升，实现了近50倍的加速！使用更大的预训练语料库（例如，500 万个<SQL, Table, Execution Result> 对），在下游数据集上的性能会更好。

5.3 通过预训练的SQL执行器

为了了解TAPEX在预训练后SQL执行效果如何，作者分析了它在未见过表上近20,000个SQL查询上的表现。总的来说，SQL的执行精度相对较高。如图5-4所示，，TAPEX正确地“执行”了89.6%的SQL Select操作查询：

特别是，TAPEX在过 Filter, Aggregate 和 Superlative 操作符上表现得更好，这表明它在表单元格选择和表聚合方面具有很高的准确性。对于Arithmetic 和 Comparative操作，TAPEX也做得很好，展示了它在表上的数值推理能力。综上所述，TAPEX已经学会了成为一个具有良好的选择、聚合和数值能力的神经SQL执行器

5.4 通过预训练对表的理解

为了深入了解TAPEX是否有助于下游任务更好地理解表，作者在采样的WIKITABLE QUESTIONS 样本上可视化和分析了TAPEX的自我注意（没有微调）。如图5-4所示，TAPEX似乎更关注单元格对应的行和头。

以图5-5为例，注意权重意味着“adrian lewis”与第一列“player”和整个第三行密切相关，这是“adrian lewis”在结构化表中的位置。

5.5 通过预训练对表的推理

为了了解TAPEX是否可以改进表推理，作者比较了TAPEX和BART在500个随机选择的问题上的性能，并在图5-6中手动分析了它们：

可以发现，TAPEX显著提高了所有操作符的性能，这意味着它确实增强了BART对文本和表的联合推理能力。

5.5 局限性

该方法的第一个限制是，它不能理想地处理大型表。如上所述，使用表的扁平化技术来表示一个表。当表相对较小时，它工作得很好，但当表太大而无法容纳内存时，它就变得不可行了。在实践中，可以通过删除一些不相关的行或列来压缩表，但这将降低下游任务的表现。

第二个限制是，NLP2SQL的任务不能从该表预训练中获益。作者尝试将TAPEX应用于一个NLP2SQL的任务，其中输入保持不变，输出转换为SQL。然而，TAPEX并没有显示出比BART相比的显著优势。作者将此归因于两个因素：

• 首先，预训练的合成语料库对其没有贡献，这是语义解析最重要的因素之一；
• 其次，TAPEX学习到的表推理能力（例如，聚合）可能不是SQL生成所必需的。例如，一个模型仍然可以将NL短语“sum”理解为聚合函数“sum”，即使它不知道“sum”的数学含义。