Relation-Aware Graph Transformer for SQL-to-Text Generation

Abstract

SQL2Text 是一项将 SQL 查询映射到相应的自然语言问题的任务。之前的工作将 SQL 表示为稀疏图，并利用 graph-to-sequence 模型来生成问题，其中每个节点只能与 k 跳节点通信。由于无法捕获长期且缺乏特定于 SQL 的关系，这样的模型在适应更复杂的 SQL 查询时将会退化。为了解决这个问题，我们提出了一种 Relation-Aware Graph Transformer（RGT）来同时考虑 SQL 结构和各种关系。具体来说，为每个SQL构建一个抽象的SQL语法树来提供底层关系。我们还定制了自注意力和交叉注意力策略来编码 SQL 树中的关系。基准 WikiSQL 和 Spider 上的实验表明，我们的方法比强基准有所改进。

1. Introduction

SQL-to-Text：

• SQL（结构化查询语言）是访问数据库的重要工具。然而，SQL对于普通人来说并不容易理解。
• SQL2Text 旨在将结构化SQL程序转换为自然语言描述。
• SQL2Text 可以帮助自动生成 SQL 注释，并构建一个交互式问答系统，用于关系数据库的自然语言接口。
• SQL2Text 对于搜索 Internet 上可用的 SQL 程序很有用。
• SQL2Text 可以通过使用 SQL-to-Text 作为数据增强来协助 Text-to-SQL 任务。
• 在现实世界中，SQL2Text 可以帮助人们通过阅读相应的文本来快速理解复杂的SQL。

SQL 是结构化的，可以转换为抽象语法树，如图 1 所示。一般来说，树是一种特殊的图，因此 SQL-to-text 可以建模为 Graph-to-Sequence 任务。

• xu 等人考虑了 SQL 查询的内在图结构。他们通过将 SQL 中的每个标记表示为图中的节点，并通过 SQL 关键字节点（例如 SELECT、AND）连接不同的单元（例如列名、运算符、值）来构建 SQL 图。
• 通过图神经网络（GNN）聚合来自 K 跳邻居的信息，每个节点获得其上下文嵌入，该嵌入将在自然语言解码阶段访问。
• 虽然简单有效，但它有两个主要缺点：
  • 由于构造的 SQL 图的稀疏性，泛化能力较差；
  • 忽略不同节点对之间的关系，特别是列节点之间的相关性。

特别是，Xu 等人仅处理简单的 SQL 模式 SELECT AGG COLUMN WHERE COLUMN OP VALUE (AND COLUMN OP VALUE)​。这些模式中只提到了一个列单元和一个表，所有约束都是通过 WHERE 子句中的条件交集来组织的。该模型通过 K 步迭代更新每个节点的上下文嵌入。每个节点在一次迭代中只会与其 1 跳邻居进行通信，因此每个节点在迭代结束时只能 “看到” K 距离内的节点。当我们转移到由多个表、GroupBy/HAVING/OrderBy/LIMIT 子句和嵌套 SQL 组成的更复杂的 SQL 模式时，性能很容易恶化。如图 1 所示的示例，K = 6 的 Graph2Seq 模型可能在简单 SQL（如左图所示）上运行良好，但在依赖距离较长的复杂 SQL（如右图所示）上泛化效果较差。

我们发现，即使两个节点在序列化 SQL 查询和解析的抽象语法树中相距较远，它们也可能具有较高的相关性。例如，同一子句（子句内）中提到的列紧密相关。参见下图中的示例。用户总是不仅需要特定候选人的姓氏，还需要名字。同样，在 WHERE 子句中充当条件之一的列也很有可能在 SELECT 子句（子句间）中被精确请求。以往的工作更多地关注SQL的语法结构，而忽略了语义层面上的这些潜在关系。

为此，我们提出了一种 Relation-aware Graph Transformer（RGT）来考虑 sql 查询的抽象语法树和不同节点对之间的相关性。整个节点集分为两部分：中间节点和叶子节点。

• 叶节点通常是原始表名或列字，加上一些一元修饰符，例如 DISTINCT 和 MAX。通常，这些叶节点传达查询中的重要语义信息。
• SELECT 和 AND 等中间节点本质上捕获底层 SQL 查询的树结构，并将分散的叶节点连接起来。构建的 SQL 树的示例如图 2 所示。

我们在 SQL 树中引入了四种类型的关系，并提出了两种交叉注意力的变体来捕获结构信息。所有关系均由我们提出的 RGT 模型进行编码。

• 由于SQL查询可能涉及多个表，因此我们首先考虑抽象概念TABLE和COLUMN之间的关系，称为数据库模式（DBS）。给定两个表示 TABLE 或 COLUMN 的节点，它们可能是同一个表中的两列，也可能是通过外键连接的两个表。我们定义了 11 种不同类型的 DBS 来描述这种关系。
• 此外，节点的深度反映了信息量：更深的节点包含更多语义信息，而较浅的节点包含更多语法信息。我们引入定向相对深度（DRD）来捕获中间节点之间的相对深度。
• 对于叶节点来说，最重要的关系是从属关系。例如，在图2中，叶子节点month和salary连接到COLUMN节点，而COLUMN和另一个叶子节点val0属于中间节点>。这三个叶节点是高度相关的。
• 我们使用最低共同祖先（LCA）来衡量两个叶节点的紧密程度。我们可以看到，节点month和val0的LCA就是图2中的节点>。

此外，为了利用 SQL 的树结构，我们使用两种交叉注意力策略，即 attention over ancestors（AOA）和 attention over descendants（AOD）。AOA仅允许叶节点关注其祖先，AOD仅允许中间节点仅关注其后代。

我们使用各种基线模型对基准 WikiSQL 和 Spider 进行了广泛的实验。据我们所知，我们是第一个在涉及多个表和复杂条件的 SQL 模式上执行 SQL-to-Text 任务的人。结果表明，与其他替代方案相比，我们的模型具有良好的泛化能力。

主要贡献：

• 我们提出了一种 relation-aware graph transformer来考虑 SQL 图中节点对之间的各种关系。
• 我们是第一个在数据集Spider 上使用更复杂的SQL 模式执行SQL 到文本任务的人。
• 大量实验表明，我们的模型优于各种Seq2Seq 和Graph2Seq 模型。

2. Model

2.1 SQL Tree Construction

构建的SQL树 $V$ 的整个节点集被分为两类：中间节点 V I = { v i I } i = 1 ∣ V I ∣ V^I = \{v^I_i\}^{|V_I|}_{i=1} VI={viI​}i=1∣VI​∣​ 和叶节点 V L = { v i L } i = 1 ∣ V L ∣ V^L = \{v^L_i\}^{|V_L|}_{i=1} VL={viL​}i=1∣VL​∣​。

• 中间节点包含三个抽象概念（SQL、TABLE 和 COLUMN）、七个 SQL 子句关键字（SELECT、WHERE 等）和二元运算符（>、<、= 等）
• 叶节点包含一元运算符、原始表名称、列词以及实体值的占位符（诸如“new york”之类的实体，在预处理过程中被替换为一种特殊标记 $va{l}_0$，称为去词法化）。

通过这种分类方法，可以使用不同的关系信息来更新这两种类型的节点嵌入。

从根节点 SQL 开始：

• 我们首先添加子句关键字作为其子节点。
  • SQL被分为一些子句，例如SELECT子句、WHERE子句、嵌套SQL子句等（见图3a）。
• 然后概念抽象节点TABLE和COLUMN以及相关的操作符节点相应地附加到它们的父节点。
  • 每个子句由多个表、列和一些其他二元运算符组成。考虑到一些表名和列名有多个标记，我们设计了两个抽象节点（TABLE和COLUMN）来解决这个问题（见图3c）。通过这两个抽象节点，子句节点可以表示为如图 3b 所示。注意到二元运算符可以被视为多个节点之间的关系，我们将它们设置为中间节点（一些子节点的父节点）。
• 接下来，对于节点 COLUMN 和 TABLE，我们将所有原始单词、aggregators 和不同 标记 附加为叶节点。

我们的 SQL 树由三个级别组成（参见图 3）：子句级别、模式级别和标记级别。表 1 显示了所有类型的节点。

2.2 Encoder Overview

输入特征包括所有节点和关系的可训练嵌入。我们使用 $X^L\in R^{|V_L|\times d_x}$ 和 $R^L=[r_{ij}^L{]}_{|V^L|\times |V^L|}$表示叶节点嵌入和叶节点之间的关系矩阵的集合。相应地，$X^I\in R^{|V_I|\times d_x}$ 和 $R^I=[r_{ij}^I{]}_{|V^I|\times |V^I|}$ 对应于中间节点。

编码器由 K 个堆叠块组成，如图 4 所示。主要组件是关系感知图 Transformer (RGT)，它将节点嵌入矩阵 $X$、关系矩阵 $R$ 和 从 $R$ 中提取关系嵌入的关系函数 $E$ 作为输入，并输出更新的节点矩阵。每个块包含四个模块：一个用于中间节点的 RGT，一个用于叶节点的 RGT，以及两个交叉注意力模块。在每个块中，节点嵌入 $X^I$ 和 $X^L$ 通过自注意力和交叉注意力顺序更新。根据图 4 中的数据流，中间节点首先更新为：

然后，叶节点参与中间节点并使用 RGT 进行更新:

最后，中间节点也参与叶节点：

下标 in、mid、out 用于区分输入和输出。关系嵌入函数 $E_{rel}^I$ 和 $E_{rel}^L$、关系矩阵$R^I$和$R^L$以及模块$CrossAttentio{n}^{I\leftarrow L}(\cdot ,\cdot )$ 和 $CrossAttentio{n}^{L\leftarrow I}(\cdot ,\cdot )$ 的定义将在后面详细阐述。

2.3 Relation-Aware Graph Transformer

我们利用 Transformer 作为我们模型的骨干，它可以被视为图注意力网络的一个实例（GAT），其中每个节点的感受野是整个节点集。我们将 SQL 树视为一种特殊的图。假设输入图为 G = ( V , R ) , V = { v i } i = 1 ∣ V ∣ ， R = [ r i j ] ∣ V ∣ × ∣ V ∣ G = (V, R), V = \{v_i\}^{|V|}_{ i=1}，R = [r_{ij}]_{|V|×|V|} G=(V,R),V={vi​}i=1∣V∣​，R=[rij​]∣V∣×∣V∣​，其中$V$是顶点集，$R$是关系矩阵。每个节点 $v_i\in V$ 都有一个随机初始化的嵌入 $x_i\in R^{d_x}$ 。之前的工作将节点 $v_i$ 和 $v_j$ 之间的相对位置纳入相关性得分计算和上下文聚合步骤中。类似地，我们通过引入额外的关系向量来使这项技术适应我们的框架。从数学上讲，给定关系矩阵 $R$，我们构造一个关系嵌入函数 $E_{rel}$ 来检索关系 $r_{ij}$ 的特征向量 $e_{ij}=E_{rel}(r_{ij})\in R^{d_x/H}$。然后，经过一层迭代后节点 $v_i$ 的输出嵌入 $y_i$ 计算如下：

除非另有说明，关系嵌入函数 $E_{rel}$ 在不同头和多层之间共享。为了方便讨论，我们将 RGT 编码模块的表示法简化为：

其中$X_{in}=[x_1;\cdot \cdot \cdot ;x_{|V|}]$ 表示所有节点的输入嵌入矩阵。

2.4 Relations among Intermediate Nodes

对于中间节点，我们考虑两种类型的关系：数据库模式（DBS）和定向相对深度（DRD）。 DBS考虑抽象概念TABLE和COLUMN之间的关系。我们总共定义了 11 种关系。例如，如果节点 $v_i^I$ 和 $v_j^I$ 是 COLUMN 类型的节点，并且根据数据库模式它们属于同一个表，则关系 $r_{ij}^{DBS}$ 是 SAME-TABLE。表 2 显示了 DBS 关系的完整版本。从数学上来说，

其中关系嵌入函数 $E_{rel}^{DBS}$ 将关系类别 $r_{ij}^{DBS}$ 映射到可训练向量 $e_{ij}^{DBS}$ 。

借助底层有向 SQL 树，我们可以构建另一个关系矩阵来表示两个中间节点 $v_i^I$ 和 $v_j^I$ 之间的可达性和相对深度差异。设 $d(v_i^I)$ 表示节点 $v_i^I$ 的深度，例如根 SQL 节点的深度为 1（见图 4）。给定最大深度差 D，

其中 $E^{DRD}$ 是具有 $2D+2$ 个条目的关系嵌入模块。一项特殊条目代表不可访问性 inf。

3. Experiments

3.1 Dataset

WikiSQL 我们使用最新版本的 WikiSQL 进行实验。 WikiSQL 中的 SQL 仅包含长度较短的 SELECT 和 WHERE 子句。我们利用官方的训练/开发/测试拆分，确保每个表仅出现在单个拆分中。此设置要求模型在推理过程中泛化到看不见的表。

Spider 我们还使用 Spider，一个更复杂的数据集。与 WikiSQL 相比，Spider 中的 SQL 更长，数据量小得多。此外，Spider中还涉及到一些其他复杂的语法，例如JOIN、HAVING和嵌套SQL。

因此，Spider上的任务要困难得多。考虑到测试分割不公开，我们只使用训练分割和开发分割。

3.2 Experiment Setup

Metric 我们使用 BLEU-4 和 NIST 作为自动指标。每个 SQL 在 WikiSQL 中都有一个参考。在Spider中，大多数SQL都有双重引用，因为很多 SQLs 分别对应两种不同的自然语言表达。然而，该指标存在两个威胁：（1）结果可能会严重波动。 (2)BLUE-4无法全面评估生成文本的质量。为了减轻结果的波动，我们使用不同的随机种子运行所有实验 5 次。此外，我们对 Spider 进行了人类评估，以将我们的模型与最强的基线进行比较。

Data preprocessing 对于 WikiSQL，我们省略了 FROM 子句，因为所有 SQL 只与单个表相关。对于Spider，我们将表别名替换为其原始名称，并删除AS语法。此外，如前所述，问题被去词汇化了。

3.3 Main Results