ati ima sof div sta 領域 不能 分享 普通

論文： https://einstein.ai/static/images/layouts/research/seq2sql/seq2sql.pdf 數據集：https://github.com/salesforce/WikiSQL
Seq2SQL屬於natural language interface （NLI）的領域，方便普通用戶接入並查詢數據庫中的內容，即用戶不需要了解SQL語句，只需要通過自然語言，就可查詢所需內容。 Seq2SQL借鑒的是Seq2Seq的思想，與Seq2Seq應用於機器翻譯與Chatbot類似，Seq2SQL將輸入的語句encode後再decode成結構化的SQL語言輸出，強化學習是在Seq2SQL中的最後一個模塊中應用。同時，這篇論文還推出一個數據集WikiSQL，數據集內有人工標註好的問句及其對應SQL語句。 試驗結果顯示，Seq2SQL的準確率也不是特別的高，只有60.3%

---

Seq2SQL結構： Seq2SQL由三部分組成： 第一部分： Aggregation classifier 這一部分其實是一個分類器，將用戶輸入的語句分類成是select count/max/min 等統計相關的約束條件 在此處采用的Augmented Pointer Network，Augmented Pointer Network總體而言也是ecoder-to-decoder的結構， encoder采用的是兩層的bi-LSTM, decoder 采用的是兩層的unidirectional LSTM， encoder輸出h，ht對應的是第t個詞的輸出狀態 decoder的每一步是，輸入y s-1，輸出狀態gs，接著，decoder為每個位置t生成一個attention的score ，最終生成 在Seq2SQL中，首先為input生成一個表征向量（agg：aggregation clasifier， inp：input，enc:encoder） 首先為Augmented Pointer Network類似，計算出一個attention的分數，， 量化後，通過softmax函數 input的表征向量 通過一個多層的網絡和softmax完成分類任務 ， 第二部分： select column 這一部分是看用戶輸入的問句命中了哪個column 首先將每個column name 通過LSTM encode 將用戶輸入encode成與第一部分類似的 最終通過一個多層的神經元和softmax確定是命中哪一行 第三部分：where clause 確定約束條件，因為最終生成的SQL可能與標註中的不太一樣，但是依舊有一樣的結果，所以不能像前兩部分一樣使用交叉熵作為loss訓練，因此使用強化訓練中reward函數 (g: ground-truth), loss使用梯度

---

WikiSQL： WikiSQL包含一系列與SQL相關的問題集以及SQL table




































null

Seq2SQL ：使用強化學習通過自然語言生成SQL