中文自动转SQL，准确率高达92%，这位Kaggle大师刷新世界纪录丨GitHub

郭一璞 2019-10-14 13:09:10 来源：量子位

郭一璞 发自 南大仙林

量子位 报道 | 公众号 QbitAI

在追一科技主办的首届中文NL2SQL挑战赛上，又一项超越国外水平的NLP研究成果诞生了。

在NL2SQL这项任务上，比赛中的最佳成绩达到了92.19%的准确率，超过英文NL2SQL数据集WikiSQL目前完全匹配精度86.0%，执行匹配精度91.8%的最高成绩。

达成这一成绩的队伍的名字很有野心，名叫“不上90不改名字”，团队成员包括来自国防科技大学的博士张啸宇、硕士赛斌，来自昂钛客AI的王苏宏，他们拿下了本届比赛的冠军，抱走了8万奖金。

冠军团队从来自CMU、北大、清华、上交、南大、中科大等多所高校和移动、平安、搜狗等公司的1457支参赛队伍中脱颖而出，超过92%的成绩，让比赛评委、复旦大学教授肖仰华惊喜的说：“结果完全超出预期”。

而另一位评委、比赛主办方追一科技的CTO刘云峰说，该任务的准确率从比赛初期最好成绩60%多提升到超过92.19%的水平，提升幅度超出了他们原本的想象。

而且由于本次比赛用到的中文数据集难度比WikiSQL英文数据集要高，证明在同样设定下，冠军团队的方案已经超过了国外机构最佳算法（state-of-the-art）在中文任务上的表现。

NL2SQL最佳方法揭秘

NL2SQL，也就是把自然语言“翻译”成机器能理解的SQL语句，在人机交互中有巨大的价值，这样的成绩意味着，92.19%的情况下，你说的话都能被机器准确的理解，并给到你想要的答案。

那么，既然机器能理解人话，那从纷繁复杂的数据库中找到资料也是更为容易的事情了。

肖仰华教授说，现在阻碍大数据价值变现的最大难题就是访问数据门槛太高，依赖数据库管理员写复杂的SQL，而且考虑到中文的表述更加多样，中文NL2SQL要比英文难很多。

△ 肖仰华教授

因此，解决了从中文人类语言到SQL这种计算机语言的转化问题，那些和你对话的AI系统们，就会变得更“聪明”，更容易理解你的问题并找到答案，App里的智能客服、家里的智能音箱们一问三不知的情况也会少很多。

针对中文NL2SQL的问题，冠军团队的张啸宇在比赛答辩中揭秘了实现的方法：

△ 冠军队队长张啸宇

WikiSQL排行榜上的第一名、来自微软Dynamics 365团队的X-SQL有一些问题，模型框架不完全适配，在value抽取上colume特征不显著，容易抽取混乱。

针对这些问题，冠军团队提出了M-SQL，将原本X-SQL的6个子任务改为8个子任务，并且增加三个子模型，S-num、Value抽取、Value匹配，一次性将query中含有的所有Value抽取出来，并对value和数据库表字段的隶属关系进行判断。

之后进行了一些细节提升，比如在数据预处理方面，将数据、年份、单位、日期、同义词进行修正，统一query的范式；在query信息表达方面，用XLS标记替换CLS标记，这样在线下验证集上准确率提高了0.3个百分点。

用到的预训练模型，则是哈工大发布的BERT-wwm-ext模型。

最终的成果，张啸宇觉得非常满意：“我觉得机器转的比我好，大言不惭的说，已经超过了人类的水平。”

冠军团队

“不上90不改名字”队伍的队长张啸宇是一名国防生，也是一位竞赛热爱者，专注NLP领域。他在2018年莱斯杯军事阅读理解挑战赛上获得第二名；在2019年的Kaggle PetFinder比赛上获得金牌，现在是榜上有名的Kaggle Master了。

另一位队员赛斌则是他在国防科大的同学，王苏宏则是他在Kaggle社区结识的一位队友，目前也是Kaggle排行榜上前1000名的用户。

虽然取得了冠军，不过这个团队筹备比赛的时间却比其他队伍晚了一些，他们开始准备的时候，其他团队已经进行了两个星期。

剩下的时间只有一个月了。在这一个月的准备时间里，三人每天都在线上协同商量方案，平均下来基本每天都要工作五六个小时。

对于第一名的成绩，他们感到毫不意外。毕竟在排行榜上已经是第一名，准确度也在这项任务上实现了业界领先，夺得第一当之无愧。

最后，关于比赛的经验，张啸宇总结地非常简单：多敲代码，多看paper。

帮技术的“锤子”，找场景的“钉子”

追一科技总部在深圳，另外在北京、上海、南京、香港、新加坡、白俄罗斯也有研发团队或分公司。

成立3年来，追一已经完成了来自招商局资本、创新工场、晨兴资本、高榕资本、纪源资本的4轮投资，总计融资额7000万美元，招商银行信用卡、中国移动、南方电网、中国人保、腾讯都是追一的客户。

从融资规模上来看，可以说这家腾讯系的AI公司已经是 国内NLP领域的领头羊了。

技术方面，追一在各项NLP任务上都有所突破，拿到了CoQA、CMRC2018 中文机器阅读理解等挑战的冠军。

而在NL2SQL这个任务上，曾经在腾讯达到T4职级的刘云峰说，中文NL2SQL在比赛之前只有追一和微软两家，通过这场比赛，如果能达到众人拾柴火焰高的目的，就可以将这项技术推广出去了：

“客户这边有一个钉子，但是不知道用什么锤子来砸；但是我们这些搞AI的公司有一个锤子，不知道去哪里找钉子。通过这个比赛我们可以很好地把钉子和锤子匹配在一起，给技术找到落地的场景。”

从NLP到计算机视觉

值得注意的是，本次比赛虽说是在NLP领域的赛事，但仍然吸引了不少计算机视觉方面的研究者参赛，闯入决赛的队伍“大佬带我飞”中的两名成员就是CV方面的研究生。

△ 追一科技CTO刘云峰

评委追一科技CTO刘云峰认为，在工业落地时，现在越来越呈现出多模态融合的趋势，视觉和NLP结合的越来越多，需要同时处理多种信号，人机交互的时候也不仅仅用到NLP方面的技术，也需要用到视觉方面的技术，追一科技作为一家NLP公司，本身也有视觉、语音方面的技术团队。

“AI公司主要做企业服务，一个企业不会只要一个方向（的技术），他同时要NLP、视觉的时候不会找两家公司，因为他自己没法把两个技术融合在一起。”

因此刘云峰判断，未来头部AI公司一定是全栈AI公司，虽然会有最拿手的技术，但不会只布局一个领域的技术。

最后，本届比赛的数据集之后也会公开，或许这会是NLP领域下一个竞相角逐的高地。

传送门

冠军团队方案：

https://github.com/nudtnlp/tianchi-nl2sql-top1

参考资料：

https://tianchi.aliyun.com/competition/entrance/231716/introduction

https://github.com/salesforce/WikiSQL