基于知识增强的NL2SQL方法

摘要

面向关系型数据库的自然语言查询技术的核心是将自然语言解析成SQL查询语句(NL2SQL)。目前,大多数NL2SQL方法仅对自然语言问句和表模式进行编码,难以充分理解问句的语义信息,产生的歧义可能导致预测出错。针对此问题,本文提出了基于知识增强的NL2SQL模型KESQL,首先使用实体链接技术将问句中的实体链接到外部知识图谱,通过引入问句中命名实体在外部知识图谱的知识来增强NL2SQL模型对于问句的理解能力,进而提高解析效果;选取DBpedia作为外部知识图谱,针对图谱中的各类知识,提出了基于符号化和向量化的知识增强方案,系统地论证了引入不同知识的效果及不同融合方式的优劣,实验结果充分验证了知识增强对NL2SQL任务的有效性。