论文：TypeSQL: Knowledge-Based Type-Aware Neural Text-to-SQL Generation

⭐⭐⭐

Code: TypeSQL | GitHub

一、论文速读

本论文是在 SQLNet 网络上做的改进，其思路也是先预先构建一个 SQL sketch，然后再填充 slots 从而生成 SQL。

论文发现：在 question 中往往包含与特定数据相关的 rare entity 和 number，这对于在 SQL 查询中推断 column name 和 WHERE condition value 很重要，但这些 entity 和 number 缺乏准确的 embedding。为了解决这个问题，本工作为 question 的每个 word 分配了一个 type：知识图谱中的 entity、“COLUMN” 或者一个 number，如下图的最下面的 input 所示，为 question 的每个 word 都分配了一个 type：

具体来说，首先对 question 做分词，切分成长度为 2~6 的 n-grams，然后：

• 使用 gram 检索数据库的 table schema，如果能检索到相应的 column name，那就将其 type 标注为 COLUMN
• 为 number 和 date 标注为以下四个类别之一：INTEGER、FLOAR、DARE、YEAR
• 为了识别命名实体，用 gram 作为 keyword 在 Freebase 上做检索五类实体：PERSON、PLACE、COUNTRY、ORGANIZATION、SPORT，并做相应的 type 标注，这五类实体已经可以覆盖了数据集中的绝大多数实体

由此，我们才可以看到上图中对 question 的 type 标注结果。

拓展来开的话，如果 database 的内容也可以访问，那我们在做 type 标注时，还会将 gram 从 table schema、column content 和 column label 中做检索，并将 type 标注为具体的 column name。比如上图中，question 中的 mort drucker 可以被标注为 artist，因为我们能在数据库中检索到这个 gram 并发现对应的 column name 为 artist。

对 question 做完 type 标注后，在之后做编码时，就可以将 question 中的原 token 和对应的 type 一起做 embedding，并将两个 embedding 连接在一起做 encode 并进一步处理。

在之后填充 SQL sketch 做 slots 预测时，原来的 SQLNet 模型是为五种 slots 设计了五个 model 来分别训练和预测，而本文的 TypeSQL 将其中功能相似的 model 做了合并，最终只需要 3 个 model 来完成填充任务，架构上做了简化。具体公式可以参考原论文。

二、总结

这篇论文的工作主要是对 SQLNet 做的改进，改进主要有如下：

• 借助于数据库的 table schema 检索和 knowledge graph 的检索，为 question 的每个 word 标注一个 type，从而提高 embedding 的效果
• 当 database content 可用时，type 标注时还会进一步对 column content 做检索，并为其标注 column name，这样当用户的 question 中的所提到的列名或者条目不精确时，也可以通过这个步骤来对应到具体的数据库 column，从而提高效果，实现所谓的“内容敏感性”。
• 改进了 SQLNet 的 slots 填充步骤，减少了所需要的 model 数量，架构上也做了简化