基于T5的兩階段的多任務Text-to-SQL預訓練模型MIGA
越來越多的工作證明了預訓練語言模型（PLM）中蘊含著豐富的知識，針對不同的任務，用合適的訓練方式來撬動 PLM，能更好地提升模型的能力。在 Text-to-SQL 任務中，目前主流的生成器是基于語法樹的，需要針對 SQL 語法進行設計。
近期，網易互娛 AI Lab 聯合廣東外語外貿大學和哥倫比亞大學基于預訓練語言模型 T5 的預訓練方式，提出了兩階段的多任務預訓練模型 MIGA。MIGA 在預訓練階段引入三個輔助任務，并將他們組織成統一的生成任務范式，可以將所有的 Text-to-SQL 數據集統一進行訓練；同時在微調階段，MIGA 針對多輪對話中的錯誤傳遞問題進行 SQL 擾動，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 語法樹的 encoder-decoder 模型，可以確保生成的結果一定符合 SQL 語法，但是需要針對 SQL 語法進行特殊設計。最近也有一些關于 Text-to-SQL 的研究是基于生成式語言模型，可以很方便地繼承預訓練語言模型的知識和能力。
為了降低對基于語法樹的依賴，更好地挖掘預訓練語言模型的能力，該研究在預訓練 T5 模型的框架下，提出了一個兩階段的多任務 Text-to-SQL 預訓練模型 MIGA (MultI-task Generation frAmework)。
MIGA 分為兩階段的訓練過程：
- 在預訓練階段，MIGA 使用與 T5 相同的預訓練范式，額外提出了三個與 Text-to-SQL 相關的輔助任務，從而更好地激發預訓練語言模型中的知識。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，進一步發掘預訓練語言模型的潛在知識。
- 在微調階段，MIGA 針對多輪對話和 SQL 中容易存在的錯誤傳遞問題，在訓練過程中對歷史 SQL 進行擾動，使得生成當前輪次的 SQL 效果更加穩定。
MIGA 模型在兩個多輪對話 Text-to-SQL 公開數據集上表現優于目前最好的基于語法樹的模型，相關研究已經被 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。
多任務預訓練階段
該研究主要參考 T5 的預訓練方式，基于已經訓練好的 T5 模型，設計了四個預訓練任務：
- Text-to-SQL 主任務：上圖中的黃色部分，通過設計 Prompt 為”translate dialogue to system query”，然后以一些 special tokens 來將歷史對話、數據庫信息和 SQL 語句拼接輸入到 T5-encoder 中，讓 decoder 直接輸出對應的 SQL 語句；
- 相關信息預測：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一致，decoder 則需要輸出與當前問題相關的數據表和列，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”，這個任務主要是針對多輪對話中的上下文理解進行設計，對比上一輪的對話和 SQL，decoder 需要輸出當前對話的目的做了哪些變化，比如圖中例子是 where 條件進行了改動；
- 最終對話預測：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，需要 decoder 輸出整個多輪對話下來，最后時刻的 SQL 對應的一句完整問題描述。
通過這樣的一個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相關的額外任務，而且還有一下優點：
- 參考人類編寫 SQL 的步驟，對話文本到 SQL 任務被分解為多個子任務，允許主任務從中學習；
- 訓練樣本的構造格式與 T5 一致，可以最大限度地發揮預訓練 T5 模型對目標任務的潛力；
- 統一的框架允許多個輔助任務的靈活調度。當應用于特定任務時，僅需在特定任務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 Text-to-SQL 數據集 SparC 和 CoSQL 的數據來訓練 T5 模型。
微調階段?
在預訓練階段之后，該研究針對目標任務的標注數據，單純使用 Text-to-SQL 任務來進一步微調模型。該研究在預測當前輪次的 SQL 時，會拼接之前輪次的預測 SQL，在此過程中，為了盡量克服多輪對話和生成中所帶來的錯誤傳遞問題，該研究提出了 SQL 擾動的方案，對輸入數據中的歷史輪次 SQL，以 α 概率來進行擾動。SQL 語句的擾動主要以 β 的概率采樣相應的 token，然后進行以下其一的擾動：
- 用相同數據表中的列，來隨機修改或者新增 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”。
上述的擾動是該研究在實驗中統計發現最常見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進行擾動，降低模型關于這方面的依賴。
實驗評估
評估數據集為多輪對話 Text-to-SQL：SparC 和 CoSQL。
評估指標為：
- QM：Question Match，表示單輪問題中的生成的 SQL 與標注輸出完全匹配的比例；
- IM：Interaction Match，表示多輪對話中整個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 的對比實驗中，MIGA 在兩個數據集上的 IM 分數，以及 CoSQL 的 QM 分數上，超過了目前最好的多輪對話 Text-to-SQL 模型。而且對比同類型的基于 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 對比實驗分析，第一部分為樹模型，第二部分為基于預訓練生成模型。
在表 2 的消融實驗中，該研究對 MIGA 的兩階段訓練過程中的幾個任務進行了探索，同時證明了這些任務分別都會對目標任務有不同程度的提升。
表 2 針對 SparC 任務，分別去除各項任務或數據，在指標上都有所降低。
在實際的案例分析結果，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
網易互娛 AI Lab 針對 Text-to-SQL 提出了一個基于 T5 的兩階段的多任務預訓練模型：MIGA。在預訓練階段，MIGA 將 Text-to-SQL 任務分解出了額外三個子任務，并將其統一為序列到序列的生成范式，從而更好地激發預訓練 T5 模型。并且在微調階段引入了 SQL 擾動機制，降低多輪 Text-to-SQL 生成場景下的錯誤傳遞帶來的影響。
未來，研究團隊會進一步探索更多有效的策略來撬動超大語言模型的能力，并且探索更優雅更有效的方式來進一步克服因為錯誤傳遞而導致的效果降低問題。
