RAT-SQL: 面向 Text-to-SQL 解析器的关系感知模式编码与链接

作者信息

Bailin Wang、Richard Shin、Xiaodong Liu、Oleksandr Polozov、Matthew Richardson

摘要

在将自然语言问题转换为 SQL 查询以回答数据库相关问题的任务中，当前的语义解析模型难以泛化到未见过的数据库模式（schema）。泛化挑战主要在于：(a) 以语义解析器可访问的方式编码数据库关系；(b) 建模数据库列与其在给定查询中提及之间的对齐关系。

本文提出了一个基于关系感知自注意力机制（relation-aware self-attention mechanism） 的统一框架，在 Text-to-SQL 编码器中同时解决 模式编码（schema encoding）、模式链接（schema linking） 和特征表示（feature representation） 三个问题。

在具有挑战性的 Spider 数据集 上，该框架将精确匹配准确率提升至 53.7%，而未经 BERT 嵌入增强的当前最优模型准确率为 47.4%。此外，研究还观察到模型在模式链接和对齐理解方面的定性改进。

分类与主题

• 主分类：计算与语言（cs.CL）
• 相关分类：人工智能（cs.AI）

备注

• 提交时间：2019年11月10日（v1）；最新版本为2021年8月24日（v5）
• 与 arXiv:1906.11790 存在文本重叠（arXiv 管理员备注）