聊天式数据查询的技术方案探讨获奖科研报告

聊天式数据查询的技术方案探讨获奖科研报告摘要：人工智能领域近年发展十分迅猛，其中自然语言处理（NLP）领域从2016年起进入高速发展期，以BERT为代表的各种新模型层出不穷，解决了文本数据分析和信息提取的问题。其中有一个子领域，即NL2SQL领域，是解决如何用自然语言问句进行数据库查询的问题。具体方案是通过语义解析，将自然语言问句翻译成SQL，再送到数据库中进行查询，大大降低了数据查询的难度，提升了交互友好度和查询效率。本文探讨具体的技术解决方案。

正文

NL2SQL领域目前的数据集英文以WikiSQL和Spider为主，中文有追一科技提供的竞赛数据集。WikiSQL数据集支持单表、单列、多Where子句查询，现有模型可以较好地支持。而耶鲁大学提供的Spider数据集要求支持GroupBy、OrderBy、Having，还需要Join不同表，这更贴近于真实场景，也带来了更大的难度。追一科技的竞赛数据集的难度介于两者之间，要求支持多列查询，支持多Where子句间不同操作符操作。本文以追一科技数据集的难度为准，探讨解决方案。

1.主流模型

目前業内的三大技术解决方案依次是SQLnet，SQLova和X-SQL，其中X-SQL在WikiSQL数据集上测试效果最好，但仍然满足不了追一科技数据集的要求。我们主要参考后两个模型，提出我们的解决方案。

2.方案思路

解决此问题有两大思路，增强学习和解耦任务。增强学习是端到端的解决方案，比较先进，但实际应用尚不成熟，达不到准确率的要求。因此解耦任务的思路成为首选。解耦的思路是将任务拆解为8个子任务，分别是

Select-Number：选择几列

Select-Column：选择哪一列

Select-Aggregation：使用什么聚合函数

Where-Number：有几个条件

Where-Column：筛选条件是针对哪几列

Where-Operator：各个条件的操作符

Where-Value：各个条件的条件值

Where-Operator：各个条件之间的关系。

为了将整体准确度提升到80%以上，需要8个子任务的平均准确度达到97.5%，这对方案提出了非常高的要求。

整体解决方案分为三部分：语义解析模块、执行引导模块和SQL增强模块。以下分别加以说明。

3.语义解析模块

语义解析模块是整个解决方案最重要的部分，共分为三个层次：编码层、语义增强层和输出层。

编码层采用2019年7月由Facebook公司推出的RoBERTa作为基础预训练模型。和2018年10月谷歌公司推出的BERT相比，此模型在CoLA和SST-2两项任务中分别领先16个百分点和3个百分点。而这两个任务是评判文本语义解析能力的重要指标。RoBERTa已经有支持中文的版本。

我们也考虑了其它的可能性，例如MT-DNN，XLnet，ERNIE2.0和DistilBERT，经过对可行性的分析和对性能的比较，最终选用RoBERTa。

语义增强层的思路是将问题的文本表示和组成数据列的token的文本表示进行融合，将融合后的结果结合注意力机制，然后进行数学相加，最后再加上问题的文本表示，以得到数据列的文本表示。

其中将问题与token进行融合的时候，加入两个多维训练参数（m*d），以构成神经网络层。那么数学上，两个多维表示如何变成一个注意力参数的呢？问题和token都是（（m*d）*（d*1）），点积后成为（m*1）向量，再次转制和点积后成为（1*1）向量，即一个注意力参数。

最后再次加上问题的文本表示，是为了增强问题表示的比重，将问题和toke比重由1：1改为2：1，以增强最终效果。此处问题权重设为0.5。

到此已经增加了一层神经网络层。在输出层为所有的子任务还要再增加一层神经网络层，以WhereNumber子任务为例进行说明。这个子任务是二分类模型，可选值为1或2，而是否有Where子句由emptycolumn指定。此子任务增加一层MLP层。其余子任务由不同的公式加上神经网络参数计算。所有输出层的损失函数都是交叉熵损失函数。

这些子任务并不是每个独立进行训练，在每一个batchsize里，所有子任务按顺序依次正向传播，然后计算损失函数，按照梯度下降原理，进行整体反向传播，更新参数，使整体损失函数值最低。

4.执行引导模块

执行引导模块参考/abs/1807.03100直接进行增强，可有效提升执行准确率2%左右。

SQL增强模块

SQL增强模块在把生成的SQL送到数据库之前，进行调整如下：

●对于表中的类别型列数据，需要将生成的列值与数据库里的此列的类别值进行相似度匹配，以替换成正确值。例如解析后的WhereValue为“黄蜂”，而数据库里的数据为“大黄蜂”，则修改为“大黄蜂”。

●如果两个Where子句的列名相同，要检查两个WhereValue是否相同，相同的话将其中一个替换为相似度最高的另一个值。

●如果WhereValue里包含中文“和”字，则拆成两个值

●如果问题中有中文“或