AAAI 2023 | 基于T5的兩階段的多任務(wù)Text-to-SQL預訓練模型MIGA

網(wǎng)易互娛 AI Lab 聯(lián)合廣東外語(yǔ)外貿大學(xué)和哥倫比亞大學(xué)基于預訓練語(yǔ)言模型 T5 的預訓練方式，提出了兩階段的多任務(wù)預訓練模型 MIGA。

越來(lái)越多的工作證明了預訓練語(yǔ)言模型（PLM）中蘊含著(zhù)豐富的知識，針對不同的任務(wù)，用合適的訓練方式來(lái)撬動(dòng) PLM，能更好地提升模型的能力。在 Text-to-SQL 任務(wù)中，目前主流的生成器是基于語(yǔ)法樹(shù)的，需要針對 SQL 語(yǔ)法進(jìn)行設計。

近期，網(wǎng)易互娛 AI Lab 聯(lián)合廣東外語(yǔ)外貿大學(xué)和哥倫比亞大學(xué)基于預訓練語(yǔ)言模型 T5 的預訓練方式，提出了兩階段的多任務(wù)預訓練模型 MIGA。MIGA 在預訓練階段引入三個(gè)輔助任務(wù)，并將他們組織成統一的生成任務(wù)范式，可以將所有的 Text-to-SQL 數據集統一進(jìn)行訓練；同時(shí)在微調階段，MIGA 針對多輪對話(huà)中的錯誤傳遞問(wèn)題進(jìn)行 SQL 擾動(dòng)，提升了模型生成的魯棒性。

目前對于 Text-to-SQL 的研究，主流的方法主要是基于 SQL 語(yǔ)法樹(shù)的 encoder-decoder 模型，可以確保生成的結果一定符合 SQL 語(yǔ)法，但是需要針對 SQL 語(yǔ)法進(jìn)行特殊設計。最近也有一些關(guān)于 Text-to-SQL 的研究是基于生成式語(yǔ)言模型，可以很方便地繼承預訓練語(yǔ)言模型的知識和能力。

為了降低對基于語(yǔ)法樹(shù)的依賴(lài)，更好地挖掘預訓練語(yǔ)言模型的能力，該研究在預訓練 T5 模型的框架下，提出了一個(gè)兩階段的多任務(wù) Text-to-SQL 預訓練模型 MIGA (MultI-task Generation frAmework)。

MIGA 分為兩階段的訓練過(guò)程：

• 在預訓練階段，MIGA 使用與 T5 相同的預訓練范式，額外提出了三個(gè)與 Text-to-SQL 相關(guān)的輔助任務(wù)，從而更好地激發(fā)預訓練語(yǔ)言模型中的知識。該訓練方式可以將所有的 Text-to-SQL 的數據集進(jìn)行統一，擴充了訓練數據的規模；而且也可以靈活地去設計更多有效的輔助任務(wù)，進(jìn)一步發(fā)掘預訓練語(yǔ)言模型的潛在知識。

• 在微調階段，MIGA 針對多輪對話(huà)和 SQL 中容易存在的錯誤傳遞問(wèn)題，在訓練過(guò)程中對歷史 SQL 進(jìn)行擾動(dòng)，使得生成當前輪次的 SQL 效果更加穩定。

MIGA 模型在兩個(gè)多輪對話(huà) Text-to-SQL 公開(kāi)數據集上表現優(yōu)于目前最好的基于語(yǔ)法樹(shù)的模型，相關(guān)研究已經(jīng)被 AAAI 2023 錄用。

論文地址：https://arxiv.org/abs/2212.09278

MIGA 模型細節

圖 1 MIGA 模型圖。

多任務(wù)預訓練階段

該研究主要參考 T5 的預訓練方式，基于已經(jīng)訓練好的 T5 模型，設計了四個(gè)預訓練任務(wù)：

• Text-to-SQL 主任務(wù)：上圖中的黃色部分，通過(guò)設計 Prompt 為”translate dialogue to system query”，然后以一些 special tokens 來(lái)將歷史對話(huà)、數據庫信息和 SQL 語(yǔ)句拼接輸入到 T5-encoder 中，讓 decoder 直接輸出對應的 SQL 語(yǔ)句；

• 相關(guān)信息預測：上圖中的綠色部分，設計 Prompt 為”translate dialogue to relevant column”，T5-encoder 的輸入也是與主任務(wù)一致，decoder 則需要輸出與當前問(wèn)題相關(guān)的數據表和列，目的是加強模型對 Text-to-SQL 的理解；

• 當前輪次的操作預測：上圖中的灰色部分，設計 Prompt 為”translate dialogue to turn switch”，這個(gè)任務(wù)主要是針對多輪對話(huà)中的上下文理解進(jìn)行設計，對比上一輪的對話(huà)和 SQL，decoder 需要輸出當前對話(huà)的目的做了哪些變化，比如圖中例子是 where 條件進(jìn)行了改動(dòng)；

• 最終對話(huà)預測：上圖中的藍色部分，設計 Prompt 為”translate dialogue to final utterance”，目的是為了讓模型去更好的理解上下文對話(huà)，需要 decoder 輸出整個(gè)多輪對話(huà)下來(lái)，最后時(shí)刻的 SQL 對應的一句完整問(wèn)題描述。

通過(guò)這樣的一個(gè)統一的訓練方式設計，MIGA 可以通用而又靈活地去處理更多與任務(wù)相關(guān)的額外任務(wù)，而且還有一下優(yōu)點(diǎn)：

1. 參考人類(lèi)編寫(xiě) SQL 的步驟，對話(huà)文本到 SQL 任務(wù)被分解為多個(gè)子任務(wù)，允許主任務(wù)從中學(xué)習；

2. 訓練樣本的構造格式與 T5 一致，可以最大限度地發(fā)揮預訓練 T5 模型對目標任務(wù)的潛力；

3. 統一的框架允許多個(gè)輔助任務(wù)的靈活調度。當應用于特定任務(wù)時(shí)，僅需在特定任務(wù)的標記數據中使用相同的訓練目標對上面的預訓練模型進(jìn)行微調即可。

在預訓練階段，該研究整合了 Text-to-SQL 數據集 Spider 和對話(huà) Text-to-SQL 數據集 SparC 和 CoSQL 的數據來(lái)訓練 T5 模型。

微調階段

在預訓練階段之后，該研究針對目標任務(wù)的標注數據，單純使用 Text-to-SQL 任務(wù)來(lái)進(jìn)一步微調模型。該研究在預測當前輪次的 SQL 時(shí)，會(huì )拼接之前輪次的預測 SQL，在此過(guò)程中，為了盡量克服多輪對話(huà)和生成中所帶來(lái)的錯誤傳遞問(wèn)題，該研究提出了 SQL 擾動(dòng)的方案，對輸入數據中的歷史輪次 SQL，以 α 概率來(lái)進(jìn)行擾動(dòng)。SQL 語(yǔ)句的擾動(dòng)主要以 β 的概率采樣相應的 token，然后進(jìn)行以下其一的擾動(dòng)：

• 用相同數據表中的列，來(lái)隨機修改或者新增 SELECT 部分中的列；

• 隨機修改 JOIN 條件中的結構，比如交換兩個(gè)表的位置；

• 修改”*” 所有列為一些其他的列；

• 交換”asc” 和”desc”。

上述的擾動(dòng)是該研究在實(shí)驗中統計發(fā)現最常見(jiàn)的一些錯誤傳遞導致的 SQL 生成錯誤情況，因此針對這些情況來(lái)進(jìn)行擾動(dòng)，降低模型關(guān)于這方面的依賴(lài)。

實(shí)驗評估

評估數據集為多輪對話(huà) Text-to-SQL：SparC 和 CoSQL。

評估指標為：

• QM：Question Match，表示單輪問(wèn)題中的生成的 SQL 與標注輸出完全匹配的比例；

• IM：Interaction Match，表示多輪對話(huà)中整個(gè)完整輪次所有生成的 SQL 與標注輸出完全匹配的比例。

在表 1 的對比實(shí)驗中，MIGA 在兩個(gè)數據集上的 IM 分數，以及 CoSQL 的 QM 分數上，超過(guò)了目前最好的多輪對話(huà) Text-to-SQL 模型。而且對比同類(lèi)型的基于 T5 的方案，MIGA 分別在 IM 上提升了 7.0% 和 QM 上提升了 5.8%。

表 1 對比實(shí)驗分析，第一部分為樹(shù)模型，第二部分為基于預訓練生成模型。

在表 2 的消融實(shí)驗中，該研究對 MIGA 的兩階段訓練過(guò)程中的幾個(gè)任務(wù)進(jìn)行了探索，同時(shí)證明了這些任務(wù)分別都會(huì )對目標任務(wù)有不同程度的提升。

表 2 針對 SparC 任務(wù)，分別去除各項任務(wù)或數據，在指標上都有所降低。

在實(shí)際的案例分析結果，MIGA 在生成的穩定性和正確性，對比基于 T5-3B 訓練模型更好，可以看到 MIGA 在多表連接操作和列和表格的映射上要優(yōu)于其他模型。在 Case#1 的 Question#2 中，T5-3B 模型不能為相對復雜的 JOIN 結構（兩表連接）生成有效的 SQL，進(jìn)而導致 Question#3 中更復雜的 JOIN 結構（三表連接）也預測錯誤。而 MIGA 準確地預測了 JOIN 結構，并較好地維持了之前的條件 t1.sex="f"。在 Case#2 中，T5- 3B 混淆了不同表中的多個(gè)列，并將 earnings 誤認為是 people 表的列，而 MIGA 可以正確識別該列屬于 poker_player 表，并將其鏈接至 t1。

表 3 案例分析。

結語(yǔ)

網(wǎng)易互娛 AI Lab 針對 Text-to-SQL 提出了一個(gè)基于 T5 的兩階段的多任務(wù)預訓練模型：MIGA。在預訓練階段，MIGA 將 Text-to-SQL 任務(wù)分解出了額外三個(gè)子任務(wù)，并將其統一為序列到序列的生成范式，從而更好地激發(fā)預訓練 T5 模型。并且在微調階段引入了 SQL 擾動(dòng)機制，降低多輪 Text-to-SQL 生成場(chǎng)景下的錯誤傳遞帶來(lái)的影響。

未來(lái)，研究團隊會(huì )進(jìn)一步探索更多有效的策略來(lái)撬動(dòng)超大語(yǔ)言模型的能力，并且探索更優(yōu)雅更有效的方式來(lái)進(jìn)一步克服因為錯誤傳遞而導致的效果降低問(wèn)題。