王悦林

摘要：人工智能领域近年发展十分迅猛，其中自然语言处理（NLP）领域从2016年起进入高速发展期，以BERT为代表的各种新模型层出不穷，解决了文本数据分析和信息提取的问题。其中有一个子领域，即NL2SQL领域，是解决如何用自然语言问句进行数据库查询的问题。具体方案是通过语义解析，将自然语言问句翻译成SQL，再送到数据库中进行查询，大大降低了数据查询的难度，提升了交互友好度和查询效率。本文探讨具体的技术解决方案。

正文

NL2SQL领域目前的数据集英文以WikiSQL和Spider为主，中文有追一科技提供的竞赛数据集。WikiSQL数据集支持单表、单列、多Where子句查询，现有模型可以较好地支持。而耶鲁大学提供的Spider数据集要求支持Group By、Order By、Having，还需要Join不同表，这更贴近于真实场景，也带来了更大的难度。追一科技的竞赛数据集的难度介于两者之间，要求支持多列查询，支持多Where子句间不同操作符操作。本文以追一科技数据集的难度为准，探讨解决方案。

1.主流模型

目前業内的三大技术解决方案依次是SQLnet，SQLova和X-SQL，其中X-SQL在WikiSQL数据集上测试效果最好，但仍然满足不了追一科技数据集的要求。我们主要参考后两个模型，提出我们的解决方案。

2.方案思路

解决此问题有两大思路，增强学习和解耦任务。增强学习是端到端的解决方案，比较先进，但实际应用尚不成熟，达不到准确率的要求。因此解耦任务的思路成为首选。解耦的思路是将任务拆解为8个子任务，分别是

Select-Number：选择几列

Select-Column：选择哪一列

Select-Aggregation：使……