使用NL2SQL时如何规范化配置表信息和问句

本文介绍了在使用NL2SQL时，为了达到预期效果，需要针对性规范表信息、配置项信息和问句的内容。

表信息规范

表的schema信息是使用NL2SQL的基础，表的schema信息覆盖要全（表注释、列注释、表之间的关联关系等），内容简洁清晰。

表注释

表注释能够帮助NL2SQL模型更好地理解表的基础信息，能更好地定位SQL语句中涉及的表。注释可以简洁明了地说明表的大致内容。如“订单”、“库存”等，尽量控制在7个字以内，不要引入过多解释。

列注释

• 列注释由用户常用的名词或名词短语构成。例如：“订单编号”、“日期”、“店铺名称”等，能精确体现列名所表达的含义。
• 不在列的注释中添加列的样例数据。
• 列注释之间需要有明显差异。例如：“订单编号”、“下单时间”，而不能是“周出勤率”、“月出勤率”这种很相近的词，相近的词在查询时容易判断错误。如果一张表中包含这些相近的列，需要删除这些列。若保留，则需要使用其他具有差异性的表达方式。

主外键说明

如果表之间存在多表关联关系，需要在表中建立主外键关系。这种关系能在表之间构造一个默认的联系，对生成SQL语句至关重要。

配置项规范

配置项中能力最强的是当config_type参数值为1时可以配置“领域术语”，用户可以使用该配置参数对领域同义词进行扩展说明，以适配不同需求。

如用户提问“销冠”相关的数据，一般来说，算法是无法理解该缩略词。“销冠”表示销售冠军，对应的解释可能为“销售量排名最高的店员”或“总销售金额排名最高的店员”，这时就可以通过相应的配置来进行扩展，扩展词尽量控制在3个以内。

问句规范

使用NL2SQL功能时，提出的问题中要明确表达出限制条件和相关的实体值。同时，尽量将条件前置，然后是需要找的列值对应的实体，最后是可能的列名。示例如下：

超过1个房间的“房子”或“公寓”的属性名称是什么？

其中，“超过1个房间”是条件，“房子”和“公寓”是列值对应的实体，属性名称是可能的列名。

推荐的问句样例如下：

• 进行过两次或更多次治疗的专家的ID、角色和名字是什么？
• 被养最多数量狗的品种名称是什么？
• 被喂养最多数量的狗都有哪些品种？给我这个品种的名字。
• 哪一位主人为他或她的狗支付了最多的治疗费？列出主人的ID和姓氏。
• 告诉我花在他或她的狗身上最多治疗费的主人的ID和姓氏。
• 总花费最少的治疗类型的描述是什么？
• 请给我描述一下总花费最低的治疗类型。
• 哪一个主人为他们的狗支付了最多的钱？显示主人的ID和邮政编码。
• 找出总计为他或她的狗花了最多钱的主人的ID和邮政编码。
• 哪些专家至少做过两种治疗？列出他们的专业ID和手机号码。
• 找出做过两种或更多种治疗的专业人员的ID和手机号码。
• 治疗费用低于平均的专家的名字和姓氏是什么？
• 哪些专家的治疗费用低于平均水平？给出名字和姓氏。
• 哪些狗是在“山西”的人拥有的？列出主人的名字和狗的名字。
• 找出居住在“山西”的主人的名字和他们拥有的狗的名字。
• 计算经过治疗的狗的数量。
• 有多少专家对狗进行过治疗？
• 在投资公司的融资额最多1000万时，给出企业的中文名以及企业的注册资本投资公司的投资公司。
• 哪些坚果中国人均消费的占比不小于2%，且坚果的不饱和脂肪含量不大于33克，同时给出这些坚果的饱和脂肪含量的最小值，以及坚果中国人均消费的消费次数的最大值。
• 年龄不大于25岁的篮球运动员中，哪5个运动员的生涯之最数量最多？并给出他们的场上位置。
• 在各球队欧冠赛事记录中，当球队欧冠赛事的净胜球的平均值等于100时，给出球队的中文队名以及球队欧冠赛事的届数的最小值。

小结

NL2SQL属于AI算法，AI算法的效果与诸多因素有关。为了使得查询结果不脱离预期，总结了可能会影响整体准确率的几个因素：

• 表和列注释的丰富程度。
  每张表及表中的列都添加注释，会提高查询的准确率。
• 用户问题与表中列注释的匹配程度。
  用户问题中的关键词和列注释保持一致，语义上越接近查询效果越好。
• 生成的SQL语句长度。
  SQL语句中涉及的列越少、条件越简单查询会越准确。
• SQL语句中的逻辑复杂程度。
  SQL语句中涉及的高级语法越少查询越准确。