关联比赛:  首届中文NL2SQL挑战赛

1. 任务描述

本次比赛的任务：根据Question、表格信息（包含列名、列类型、内容），预测对应的SQL语句（下图黄色部分）。比赛只涉及单表查询，需要预测的有4部分：挑选的列(sel)，列上的聚合函数(agg)，筛选的条件(conds)，及条件间的关系(cond_conn_op)。

本次赛题将提供4万条有标签数据作为训练集，1万条无标签数据作为测试集。其中，5千条测试集数据作为初赛测试集，对选手可见；5千条作为复赛测试集，对选手不可见。

2. 评价指标

比赛的评分标准包括：
Logic Form Accuracy: 预测完全正确的SQL语句。其中，列的顺序并不影响准确率的计算。
Execution Accuracy: 预测的SQL的执行结果与真实SQL的执行结果一致。
排行榜以$Score_{lf}$与$Score_{ex}$的平均值排序。

3. 难点分析

NL2SQL方向有很多有代表性的数据集，任务最合适的类比数据集就是2017年salesforce提出的WikiSQL数据集，包含8w多数据和2w多表格。不过与其相比，此次比赛的数据集有4点不同：

• 不限制使用表格内容信息
• 存在conds value不能从question提取的样本
• select agg存在多项
• 没有conds缺失的样本

其中影响最大的就是train中25%左右样本conds value不能直接从question提取。

下表是我们对样本集的一些参数的分析，包括问题长度， 表格列数目 列总长度 最多sel和最多cond数目，这些参数决定了模型的超参数如何设置。

	训练集	验证集	测试集
Num	41522	4396	4000(~5000)
Header num(max)	23	22	24
Header length(0.99)	123	136	123
Sel num(max)/Cond num(max)	3/4	2/3

4. 解题方案

我们拆解出多个子任务：

• 把sel与agg结合当作多分类问题；
• 把cond_conn_op当作多分类问题；
• 把conds当作一个比较复杂的抽取问题

我们构建了多种类型神经网络模型，将这些任务进行联合学习。

 

改进点

• 使用了12层transformer动态权重融合，极大的增强了模型的编码能力；
• 通过列的shuffle进行数据增强，提高了模型的鲁棒性，对于sel、cond的列选择准确率有很好的提升效果；
• 针对conds value不能从question提取的样本的问题，我们使用纯净的数据（conds value多能从question提取）训练模型。然后用训练好的模型预测不能提取的这批数据，选择置信度高的结果当作类标；
• 在X-SQL的基础上，增加辅助任务。比如预测sel、cond的数目，可以作为我们后续融合的过滤条件。这两个任务的预测效果都非常好，可以达到99%以上。

5. 结果

查看更多内容，欢迎访问天池技术圈官方地址：首届中文NL2SQL挑战赛亚军比赛攻略_BugCreater_天池技术圈-阿里云天池