聊天式數(shù)據(jù)查詢的技術(shù)方案探討

王悅林

摘要：人工智能領(lǐng)域近年發(fā)展十分迅猛，其中自然語言處理（NLP）領(lǐng)域從2016年起進(jìn)入高速發(fā)展期，以BERT為代表的各種新模型層出不窮，解決了文本數(shù)據(jù)分析和信息提取的問題。其中有一個(gè)子領(lǐng)域，即NL2SQL領(lǐng)域，是解決如何用自然語言問句進(jìn)行數(shù)據(jù)庫查詢的問題。具體方案是通過語義解析，將自然語言問句翻譯成SQL，再送到數(shù)據(jù)庫中進(jìn)行查詢，大大降低了數(shù)據(jù)查詢的難度，提升了交互友好度和查詢效率。本文探討具體的技術(shù)解決方案。

正文

NL2SQL領(lǐng)域目前的數(shù)據(jù)集英文以WikiSQL和Spider為主，中文有追一科技提供的競賽數(shù)據(jù)集。WikiSQL數(shù)據(jù)集支持單表、單列、多Where子句查詢，現(xiàn)有模型可以較好地支持。而耶魯大學(xué)提供的Spider數(shù)據(jù)集要求支持Group By、Order By、Having，還需要Join不同表，這更貼近于真實(shí)場景，也帶來了更大的難度。追一科技的競賽數(shù)據(jù)集的難度介于兩者之間，要求支持多列查詢，支持多Where子句間不同操作符操作。本文以追一科技數(shù)據(jù)集的難度為準(zhǔn)，探討解決方案。

1.主流模型

目前業(yè)內(nèi)的三大技術(shù)解決方案依次是SQLnet，SQLova和X-SQL，其中X-SQL在WikiSQL數(shù)據(jù)集上測試效果最好，但仍然滿足不了追一科技數(shù)據(jù)集的要求。我們主要參考后兩個(gè)模型，提出我們的解決方案。

2.方案思路

解決此問題有兩大思路，增強(qiáng)學(xué)習(xí)和解耦任務(wù)。增強(qiáng)學(xué)習(xí)是端到端的解決方案，比較先進(jìn)，但實(shí)際應(yīng)用尚不成熟，達(dá)不到準(zhǔn)確率的要求。因此解耦任務(wù)的思路成為首選。解耦的思路是將任務(wù)拆解為8個(gè)子任務(wù)，分別是

Select-Number：選擇幾列

Select-Column：選擇哪一列

Select-Aggregation：使用什么聚合函數(shù)

Where-Number：有幾個(gè)條件

Where-Column：篩選條件是針對哪幾列

Where-Operator：各個(gè)條件的操作符

Where-Value：各個(gè)條件的條件值

Where-Operator：各個(gè)條件之間的關(guān)系。

為了將整體準(zhǔn)確度提升到80%以上，需要8個(gè)子任務(wù)的平均準(zhǔn)確度達(dá)到97.5%，這對方案提出了非常高的要求。

整體解決方案分為三部分：語義解析模塊、執(zhí)行引導(dǎo)模塊和SQL增強(qiáng)模塊。以下分別加以說明。

3.語義解析模塊

語義解析模塊是整個(gè)解決方案最重要的部分，共分為三個(gè)層次：編碼層、語義增強(qiáng)層和輸出層。

編碼層采用2019年7月由Facebook公司推出的RoBERTa作為基礎(chǔ)預(yù)訓(xùn)練模型。和2018年10月谷歌公司推出的BERT相比，此模型在CoLA和SST-2兩項(xiàng)任務(wù)中分別領(lǐng)先16個(gè)百分點(diǎn)和3個(gè)百分點(diǎn)。而這兩個(gè)任務(wù)是評判文本語義解析能力的重要指標(biāo)。RoBERTa已經(jīng)有支持中文的版本。

我們也考慮了其它的可能性，例如MT-DNN，XLnet，ERNIE2.0和DistilBERT，經(jīng)過對可行性的分析和對性能的比較，最終選用RoBERTa。

語義增強(qiáng)層的思路是將問題的文本表示和組成數(shù)據(jù)列的token的文本表示進(jìn)行融合，將融合后的結(jié)果結(jié)合注意力機(jī)制，然后進(jìn)行數(shù)學(xué)相加，最后再加上問題的文本表示，以得到數(shù)據(jù)列的文本表示。

其中將問題與token進(jìn)行融合的時(shí)候，加入兩個(gè)多維訓(xùn)練參數(shù)（m*d），以構(gòu)成神經(jīng)網(wǎng)絡(luò)層。那么數(shù)學(xué)上，兩個(gè)多維表示如何變成一個(gè)注意力參數(shù)的呢？問題和token都是（（m*d）*（d*1）），點(diǎn)積后成為（m*1）向量，再次轉(zhuǎn)制和點(diǎn)積后成為（1*1）向量，即一個(gè)注意力參數(shù)。

最后再次加上問題的文本表示，是為了增強(qiáng)問題表示的比重，將問題和toke比重由1：1改為2：1，以增強(qiáng)最終效果。此處問題權(quán)重設(shè)為0.5。

到此已經(jīng)增加了一層神經(jīng)網(wǎng)絡(luò)層。在輸出層為所有的子任務(wù)還要再增加一層神經(jīng)網(wǎng)絡(luò)層，以Where Number子任務(wù)為例進(jìn)行說明。這個(gè)子任務(wù)是二分類模型，可選值為1或2，而是否有Where子句由empty column指定。此子任務(wù)增加一層MLP層。其余子任務(wù)由不同的公式加上神經(jīng)網(wǎng)絡(luò)參數(shù)計(jì)算。所有輸出層的損失函數(shù)都是交叉熵?fù)p失函數(shù)。

這些子任務(wù)并不是每個(gè)獨(dú)立進(jìn)行訓(xùn)練，在每一個(gè)batch size里，所有子任務(wù)按順序依次正向傳播，然后計(jì)算損失函數(shù)，按照梯度下降原理，進(jìn)行整體反向傳播，更新參數(shù)，使整體損失函數(shù)值最低。

4.執(zhí)行引導(dǎo)模塊

執(zhí)行引導(dǎo)模塊參考arxiv.org/abs/1807.03100直接進(jìn)行增強(qiáng)，可有效提升執(zhí)行準(zhǔn)確率2%左右。

SQL增強(qiáng)模塊

SQL增強(qiáng)模塊在把生成的SQL送到數(shù)據(jù)庫之前，進(jìn)行調(diào)整如下：

●對于表中的類別型列數(shù)據(jù)，需要將生成的列值與數(shù)據(jù)庫里的此列的類別值進(jìn)行相似度匹配，以替換成正確值。例如解析后的Where Value為“黃蜂”，而數(shù)據(jù)庫里的數(shù)據(jù)為“大黃蜂”，則修改為“大黃蜂”。

●如果兩個(gè)Where子句的列名相同，要檢查兩個(gè)Where Value是否相同，相同的話將其中一個(gè)替換為相似度最高的另一個(gè)值。

●如果Where Value里包含中文“和”字，則拆成兩個(gè)值

●如果問題中有中文“或”字，或者兩個(gè)Where子句的列名相同，則兩個(gè)Where子句的關(guān)系為“or”，其它情況均為“and”。

5.總結(jié)

以上是整體設(shè)計(jì)及方案的關(guān)鍵點(diǎn)。綜合以上方案，可以有效提升SQL轉(zhuǎn)化的準(zhǔn)確度，取得較好效果。

參考文獻(xiàn)：

[1] Matthew E Peters，Mark Neumann，Mohit Iyyer，Matt Gardner，Christopher Clark，Kenton Lee，and Luke Zettlemoyer.2018.Deep contextualized word representations.arXiv preprint arXiv：1802.05365.

[2] Jason Phang，Thibault Fevry，and Samuel R Bowman.2018. Sentence encoders on stilts：Supplementary training on intermediate labeled-data tasks.arXiv preprint arXiv：1811.01088.

[3] Alec Radford，Karthik Narasimhan，Tim Salimans，and Ilya Sutskever.2018.Improving language understanding by generative pre-training.

[4] Pranav Rajpurkar，Jian Zhang，Konstantin Lopyrev，and Percy Liang.2016.Squad：100，000+ questions for machine comprehension of text.pages 2383–2392.

[5] Aarne Talman and Stergios Chatzikyriakidis.2018.Testing the generalization power of neural network models across nli benchmarks.arXiv preprint arXiv：1810.09774.

（作者單位：聯(lián)想集團(tuán)）