EzSQL：一种改进SQL到文本生成的SQL中间表示方法

针对传统SQL-to-text生成方法（如模板法、Seq2Seq模型）难以有效利用预训练语言模型的问题，研究人员提出新型SQL中间表示EzSQL，通过简化SQL语法结构（如用OR替代UNION）使其更贴近自然语言。基于BART的生成模型在WikiSQL和Spider数据集上实现SOTA性能，并成功提升Text-to-SQL解析器的预训练效果。

　　

在数据库与自然语言交互领域，如何让非专业人士理解复杂的SQL查询一直是重要挑战。传统方法依赖人工模板或序列模型（Seq2Seq），但生成的文本缺乏自然性；而直接将SQL输入预训练模型（如BART）又因语法差异导致效果不佳。现有技术如Koutrika等人的规则模板或Iyer的Seq2Seq模型均未解决这一核心矛盾。

为此，研究人员提出革命性的EzSQL中间表示法。该方法创新性地重构SQL语法：用自然语言友好型运算符（如OR替代UNION）简化结构，消除集合运算符需求，使SQL在保留语义的同时更接近自然语言序列。基于此开发的BART生成模型，在WikiSQL和Spider基准测试中刷新性能记录。更值得注意的是，该方法生成的文本数据能显著提升Text-to-SQL解析器的预训练效果，为跨模态数据库交互开辟新路径。

关键技术包括：1）设计EzSQL转换规则实现SQL自然语言化；2）采用BART（双向自回归变换器）作为生成框架；3）利用WikiSQL和Spider数据集进行模型验证；4）通过合成预训练数据增强Text-to-SQL解析器性能。

研究结果显示：在"Proposed approach"部分，EzSQL通过运算符替换和结构简化，使SQL与自然语言对齐度提升37%；"Experiments"证实该模型在BLEU-4指标上超越基线模型2.8个点；特别在Spider复杂查询场景下，人工评估显示生成文本可读性提高21%。

结论指出，EzSQL首次实现SQL到自然语言的"语法-语义"双重对齐，其价值体现在三方面：1）为预训练模型提供适配的SQL表示形式；2）建立SQL-to-text任务新基准；3）通过数据合成推动Text-to-SQL研究发展。未来可探索EzSQL在跨语言数据库交互中的应用，或结合GPT-3等更大规模语言模型进一步突破性能瓶颈。