Seq2sql: Generating structured queries from natural language using reinforcement learning

论文地址，发表于 2017 年。 这篇论文发布了 wikisql 数据集，同时提出了 seq2sql 任务。

论文概要

本文主要做出两项贡献：1）提出 Seq2SQL，将自然语言问题翻译为其对应的 SQL queries。2）发布 WikiSQL 语料库，其包含 80654 个人工标注的自然语言问题实例， SQL queries 以及从 24241 张 HTML 网页中提取的 SQL 表（网页来自 Wikipedia）。WikiSQL 比以前提供给 logical forms 和自然语句的语义分析数据集大一个数量级。发布 WikiSQL 的同时，我们还发布了一个此数据库的查询引擎（query execution engine）

本论文将自然语言转为 SQL，关系型数据库。而知识图谱是非关系型数据库存储的。

关系型数据库存储了大量的信息并用此构建了许多应用，但是访问关系型数据库需要使用 sql 语句并且很难精通它。于是 Natural language interfaces(NLI) 寻求一条路径使得人类和计算机交互成为可能，即将自然语言翻译为 sql 语句。 balabala... 在 wikisql 数据集上，seq2sql 比先前 Dong & Lapata(2016) 做的语义解析模型效果要好。

2 Model

我们的基准模型是 Dong & Lapata(2016) 做的 seq2seq + attention 的模型，它在未使用人工语法的语义解析数据集上实现了最高的性能。但是这个 seq2seq 模型的 softmax 的输出空间对于这个任务太大了。（博主注：生成 sql 语句时，并不需要在整个字典中找。sql 语句在某些地方是固定的。比如 select balabala from balabala，格式都是固定的，比如 select，count 等）因此我们可以将生成序列的输出空间限制为 table schema, question utterance, and SQL key words的并集。最终模型类似于加入了 augmented inputs 的 pointer network。我们 1. 首先描述 augmented pointer network model； 2. 其次说明我们定义 seq2sql 的局限性，特别是在生成无序查询条件方面。

augmented pointer network model

seq2sql

博主注

论文提出了 seq2sql 模型，为后面的工作铺垫了基础。基线模型是 Dong 2016 年提出的 seq2seq + attention 模型，seq2sql 为第二个模型。