SQLNet：无需强化学习从自然语言生成结构化查询
计算与语言
2017-11-15 v1 人工智能
数据库
摘要
从自然语言合成SQL查询是一个长期存在的开放问题，近来引起了相当多的关注。解决该问题的默认方法是采用序列到序列风格的模型。这种方法必然需要将SQL查询序列化。由于同一SQL查询可能有多种等价的序列化方式，训练序列到序列风格的模型对从中选择哪一种十分敏感。这一现象被称为“顺序敏感（order-matters）”问题。现有的最先进方法依赖强化学习，在解码器生成任意等价序列化时给予奖励。然而，我们观察到强化学习带来的提升有限。本文中，我们提出一种新方法，即SQLNet，通过在不考虑顺序时避免序列到序列结构来从根本上解决该问题。具体而言，我们采用基于草图的方法，其中草图包含依赖图，使得每次预测只需考虑其所依赖的先前预测。此外，我们提出序列到集合模型以及列注意力机制，基于草图合成查询。结合所有这些新技术，我们表明SQLNet在WikiSQL任务上可比先前最佳方法高出9%至13%。
引用
@article{arxiv.1711.04436,
title = {SQLNet: Generating Structured Queries From Natural Language Without Reinforcement Learning},
author = {Xiaojun Xu and Chang Liu and Dawn Song},
journal= {arXiv preprint arXiv:1711.04436},
year = {2017}
}
备注
Submitting to ICLR 2018