表格问答2：模型

数据集包含200个Database以及对应的2.3979万对(question, SQL query)，其中18602对用于训练集，2039用于验证集，3156用于测试集。200个Database来自百科infobox、百科表格数据、以及互联网上存在的表格数据。每个Database包含若干张表格（2-11张，平均4.1张），人工构建了表之间的链接操作（即foreign key）。为了验证解析算法Database无关性及question无关性，在训练集合和测试集合的Database无交叉。 ——2020语言与智能技术竞赛：语义解析任务

说回正题，今天我们将介绍两个NL2SQL模型，X-SQL和HydraNet。它俩都来自微软，分别推出于2019年和2020年。X-SQL跟它之前的方案比如SQlNET[2]、SQLOVA[3]都比较像，很有代表性；HydraNet对前人解决问题的大框架做了一些修改，变得更加简洁，也更符合预训练语言模型的使用习惯，应该会给大家一点启发。

为了方便大家阅读，我们先来回顾一下WikiSQL的预测目标。WikiSQL数据集进一步把SQL语句结构化（简化），分成了conds，sel，agg三个部分。

• sel是查询目标列，其值是表格中对应列的序号；
• agg的值是聚合操作的编号，可能出现的聚合操作有['', 'MAX', 'MIN', 'COUNT', 'SUM', 'AVG']共6种；
• conds是筛选条件，可以有多个。每个条件用一个三元组(column_index, operator_index, condition)表示，可能的operator_index共有['=', '>', '<', 'OP']四种，condition是操作的目标值，这是不能用分类解决的目标。

X-SQL模型

X-SQL模型结构

上图是X-SQL的模型结构图，乍一看还是挺复杂的。模型主要分为三层，编码器、上下文强化层和输出层，我们逐层来解析。

编码器是模型的基础，使用的是同样来自微软的改良版BERT——MT-DNN[4]。这部分的重点是它构造输入的方式，X-SQL的输入序列是由自然语言问题(Query)和各列的名称用[SEP]拼接而成的。为了处理conds为空的情况，模型引入了一个特殊列，用[EMPTY]来表示。模型还把原来BERT的Segment Embedding扩展成了图中黄色的Type Embedding。原来的segment token只有0和1两种，而type扩展成了4种，分别表示query，数值列，文本列和特殊的[EMPTY]列。为了突出引入的信息变多了，它们把原来的[CLS]token重新取名为[CTX]token。

中间是上下文增强层，主要是将每个列名对应的多个token输出的向量聚合并且在混入[CTX]token中的信息，得到一个列向量。图中的例子对应的表格原本有两列，第一列名称包含两个token，第二个列包含一个token，加上了特殊列[EMPTY]，总共3列。上下文增强层通过三个attentive pooling模块聚合成3个向量。

输出层在最上面，可以看到输出层有六种子任务，分别是预测W-NUM(条件个数），W-COL（条件对应列，column_index），W-OP(条件运算符,operator_index)，W-VAL(条件目标值，condition)，S-COL(查询目标列，sel)，S-AGG(查询聚合操作，agg)。

• 由于数据集中绝大多数标签的条件都不会超过4个，W-NUM的预测被建模为一个分类任务，直接取[CTX]token的输出加全连接，这个结果需要最先计算得到。
• S开头的任务是预测查询目标，都是分类任务。其中S-AGG是从可选的6种操作中选一个，S-COL是从所有的列中选一个。
• W-OP和S-AGG对应，是从可选的4种条件操作种选一个；W-COL和S-COL对应，只不过不再是取一个，而是取W-NUM个。
• W-VAL任务被当做阅读理解任务，因为这个值只能从query获取，所以和阅读理解一样，是一个span prediction任务，即预测value值的start/end position。

大家可以从图上看出每个任务的输入分别是什么，以及任务的计算顺序。对于大部分任务，训练时都是采用的交叉熵损失函数，但对于W-COL任务，训练时使用的是KL散度作为损失函数。整个方案既复杂又简单，复杂在于子任务多，而且有依赖关系；简单在于基本都是分类任务，更多细节大家可以参考论文[5]。

HydraNet

如果读懂了X-SQL，理解HydraNet[6]就很简单了。在X-SQL中，一次性把表格中的所有列都输入进了模型，因此需要做复杂的span pooling得到各列的向量表示，最后再计算下游任务。HydraNet返璞归真，本着少量多次的原则，一次只处理一个列。

表示层的输入变成了每个列的列文本和query文本组成的对，其中列文本c包含了列的名称、类别和所属表名。列的类别只有两种，分别是string和real，这个信息在X-SQL中是用type embedding来注入模型的，但这里直接作为文本进行输入。这样对于每个列都是bert标准的sentence pair输入任务。

任务被分成了两大类：

• 与具体列有关的任务，如W-COL，W-OP，W-VAL。这些任务被建模成sentence pair输入的分类任务和阅读理解任务；
• 与具体列无关的任务，如W-NUM和SEL-NUM。在X-SQL里由于一次输入了所有列，这俩可以一次性得到的；但由于HydraNet把列打散了，要么通过设定阈值来选取，要么需要对所有列的结果加权来得到。

以SEL-NUM为例，加权计算公式如下，其中也对于每个<c, q>对的二分类任务输出的概率，称为相关列(relavent column)，即会出现在SQL语句中的列；而是针对每个对的多分类任务。

除了query和每个列的各个子任务结果，还需要对所有的列进行排序，选出那些最应该放入查询条件和查询目标的列。为了分别得到每个列对应select和where的顺位，使用两个不同的全连接层对每个对的[CTX]token做进一步计算排序得分。

我们来看一下HydraNet的推理过程，一共分5步（论文里是4步）：

• 计算每个对的所有子任务结果；
• 综合所有对的结果得到W-NUM和SEL-NUM；
• 对每个对针对select进行排序，选出得分最高的SEL-NUM个列及其相关的agg作为条件；
• 对每个对针对where进行排序，选出得分最高的W-NUM个列及其相关的val、op作为条件；
• 对于多表情况，综合多张表的前四步结果。

以上就是今天的所有内容，有一些细节大家可以参考论文原文，HydraNet的论文今年3月才放出，还很热乎。另外去年中文NL2SQL挑战赛的冠军队伍把他们的方案发了一篇IEEE论文[7]，大家也可以参考。下一期我们将介绍几个表格问答的落地应用，不要错过哦。

参考资料

[1]

2020语言与智能技术竞赛语义解析赛道: https://aistudio.baidu.com/aistudio/competition/detail/30?isFromCcf=true

[2]

SQLNet: Generating Structured Queries From Natural Language Without Reinforcement Learning: http://arxiv.org/abs/1711.04436

[3]

A Comprehensive Exploration on WikiSQL with Table-Aware Word Contextualization: http://arxiv.org/abs/1902.01069

[4]

Multi-Task Deep Neural Networks for Natural Language Understanding: http://arxiv.org/abs/1901.11504

[5]

X-SQL: REINFORCE CONTEXT INTO SCHEMA REPRE-SENTATION: https://www.microsoft.com/en-us/research/uploads/prod/2019/03/X_SQL-5c7db555d760f.pdf

[6]

Hybrid Ranking Network for Text-to-SQL: https://www.microsoft.com/en-us/research/uploads/prod/2020/03/HydraNet_20200311-5e69612887fcb.pdf

[7]

M-SQL: Multi-Task Representation Learning for Single-Table Text2sql Generation: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9020099