Text2SQL

Text to SQL( 以下简称Text2SQL)，是将自然语言文本（Text）转换成结构化查询语言SQL的过程，属于自然语言处理-语义分析（Semantic Parsing）领域中的子任务。

它的目的可以简单概括为：“打破人与结构化数据之间的壁垒”，即普通用户可以通过自然语言描述完成复杂数据库的查询工作，得到想要的结果。

Text2SQL 简单示例 (Demo)

示例

表_1-1

代码	名称	上市地点	收盘价	周涨跌幅	月涨跌幅
SINA.O	新浪	纳斯达克	58.93	-4.52	8.791
BITA.N	易车	纽约证券交易所	18.11	-4.78	-11.742
JRJC.O	金融界	纳斯达克	1.09	-9.17	2.834
SFUN.N	淘屏	纳斯达克	1.09	-9.17	2.834
SFUN.N	搜房网	纽约证券交易所	1.71	-9.52	28.575
RENN.N	人人网	纽约证券交易所	1.61	-9.55	14.18

Query：新浪和人人网的周涨跌幅分别是多少？

SQL： SELECT 周涨跌幅 FROM 表_1-1 WHERE 名称=‘新浪’ OR 名称=‘人人网’

用户输入一句普通文本，模型将其转换为 SQL，查询数据库得到结果："-4.52, -9.55"

当然实际场景或业务中，需要查询的内容可能更加复杂（例如涉及跨表、嵌套查询，group by/having 等查询条件等）。

SQL组成

SQL组成来自三部分：数据库中元素（表名、列名）、问题中的词汇、 SQL关键字

已有数据集 (Datasets)

现有Text2SQL数据集List：

1.WikiSQL

WikiSQL 标注数据集适合入门数据集

WikiSQL是一个大型的语义解析数据集，由80,654个自然语句表述和24,241张表格的sql标注构成。
WikiSQL中每一个问句的查询范围仅限于同一张表，不包含排序、分组、子查询等复杂操作。
虽然数据规模大，SQL语法却非常简单；适合做NL2SQL任务入门。

2.Spider

Spider 难度最大数据集

耶鲁大学在2018年新提出的一个大规模的NL2SQL（Text-to-SQL）数据集。
该数据集包含了10,181条自然语言问句、分布在200个独立数据库中的5,693条SQL，内容覆盖了138个不同的领域。
涉及的SQL语法最全面，是目前难度最大的NL2SQL数据集。

3.CSpider

Cspider 中文Spider

CSpider是Spider的中文版，西湖大学出品。对该任务感兴趣的同学可以尝试去链接中对应的榜单刷榜，目前只有2个team提交。
美中不足的是，数据集只是翻译了Spider的question部分，表格列名等仍是英文，需要额外处理对齐。
数据集已完整打包在data目录下。

4.WikitableQuestion

3.WikitableQuestion 表格问答

WikitableQuestion是斯坦福自然语言处理小组的工作。数据集中每个问题都带有来自Wikipedia的表格。给定问题和表格，任务是根据表格回答问题。
数据集包含来自各种主题的2,108个表和具有不同复杂性的22,033个问题

5.天池NL2SQL中文挑战赛数据集

NL2SQL天池大赛中文NL2SQL数据集

2020年之前公开的Text2SQL数据集中唯一一份高质量的中文数据集，由比赛主办方追一科技提供。数据集使用金融以及通用领域的表格数据作为数据源，提供在此基础上人工标注的自然语言和SQL语句的匹配对。
一共包含49,867条有标注的训练集数据，10,000条无标注数据作为测试集

6.DuSQL中文数据集

2020语言与智能技术竞赛：语义解析任务难度接近Spider的中文数据集

2020语言与智能技术竞速提供的大规模开放领域的复杂中文Text-to-SQL数据集，语法覆盖了 "order by","group by","having","嵌套SQL","join" 等几乎所有SQL语法。
包含18602训练集，2039开发集和4868测试集

7.Sparc

Sparc 多轮交互Text2SQL

耶鲁大学在2019年提出的基于对话的Text-to-SQL数据集。
SParC是一个跨域上下文语义分析的数据集，是Spider任务的上下文交互版本。SParC由4298个对话（12k+个单独的问题，每个对话平均4-5个子问题，由14个耶鲁学生标注）组成，这些问题通过用户与138个领域的200个复杂数据库进行交互获得。

8.CoSQL

CoSQL 多轮交互Text2SQL

耶鲁大学在2019年提出的基于对话的Text-to-SQL数据集。
内容和Sparc相似，但是S标注风格略有不同，例如数据集中SQL各关键字的分布差异较大。

持续更新中....

比赛排名 (Rank)

截止2020年10月19号，我们实验室（浙江大学DCD实验室）所在的语义解析小组获得了Spider排行榜top2的成绩。

解决方案 (Solutions)

1.Spider榜单开源模型

（1）EditSQL：关注跨域上下文依赖的文本到sql生成任务

（2）IRNet：用于复杂和跨域文本到SQL的神经网络方法

（3）RAT-SQL：基于关系Attention和抽象语法树的端到端SQL生成模型

（4）BRIDGE：跨域文本到SQL语义解析的文本-表格数据连接模型

（5）LGESQL: Spider SOTA 解决方案

2.NL2SQL中文挑战赛方案

（1）基于Bert的NL2SQL模型：一个简明的Baseline

追一科技苏剑林同学分享的baseline，强烈推荐还不熟悉nl2sql任务的同学阅读！

博客比较详细的介绍了数据集、baseline通用模型方案和trick

（2）追一科技-baseline

（3）首届中文NL2SQL挑战赛决赛第3名方案+代码

（4）首届中文NL2SQL挑战赛复赛第6名开源

Tips: 可能因为版权问题，NL2SQL中文挑战赛数据集已经停止对外公开。有需要的同学可以联系我或者比赛主办方索要竞赛数据！

3.基于NL和SQL的预训练语言模型

（1）TaBERT：联合理解文本和表格数据的预训练

（2）GRAPPA：用于表格语义解析的语法增强的预训练

落地应用 (Applications)

“在创业阶段，比技术更重要的是寻找落地场景。”——何帆《变量》

一项技术无论新旧，无论多么酷炫，如果不能落地转变为产品，总是有很大的缺失。

针对Text2SQL，可能的落地应用：

数据库查询系统

不用学习SQL，直接通过自然表达与数据库交互，得到想要结果。例如企业数据库报表查询
问答系统/问答机器人

真实应用案例：浙江xxx公安局破案机器人项目（接触的实习项目）

具体demo可以查看下方图片。其中question表示自然语言问句，sql_str表示模型预测、拼接的sql语句，sql_json是json格式的sql语句，方便和下游任务对齐。
内容编码

参考论文 (Paper)

1.《Editing-Based SQL Query Generation for Cross-Domain Context-Dependent Questions》
EditSQL 模型

2.《Towards Complex Text-to-SQL in Cross-Domain Database with Intermediate Representation》
IRNet 模型，Spider 数据集目前已经开源的 SOTA 模型

3.《X-SQL: reinforce schema representation with context》
X-SQL 模型

4.《Memory Augmented Policy Optimization for Program Synthesis and Semantic Parsing》
MAPO：用于程序综合和语义分析的内存增强策略优化

5.《SEQ2SQL- GENERATING STRUCTURED QUERIES FROM NATURAL LANGUAGE USING REINFORCEMENT LEARNING》
WikiSQL 数据集和任务介绍

6.《RAT-SQL: Relation-Aware Schema Encoding and Linking for Text-to-SQL Parsers》
Spider Top1 方案模型，基于关系型Attention的模型RAT-SQL

7.《GRAPPA: Grammar-Augmented Pre-Training for Table Semantic Parsing》
用于表格语义解析的语法增强的预训练

8.《TABERT: Pretraining for Joint Understanding of Textual and Tabular Data》
联合理解文本和表格数据的预训练

9.《Bridging Textual and Tabular Data for Cross-Domain Text-to-SQL Semantic Parsing》
跨域文本到SQL语义解析的文本-表格数据连接模型

10.《LGESQL- Line Graph Enhanced Text-to-SQL Model with Mixed Local and Non-Local Relations》
Spider SOTA 解决方案论文

详见 paper 目录