NatSQL

NatSQL出自2021年9月的论文《Natural SQL: Making SQL Easier to Infer from Natural Language Specifications》(github)，它是一种SQL 中间表征(SQL intermediate representation(IR))方法。

NatSQL作者认为Text2SQL的关键挑战是自然语言描述和其对应的SQL查询之间存在不匹配(mismatch)，比如论文图1的SQL语句中的GROUP BY 和JOIN ON在自然语言描述问题中没有被提到。因为SQL是被设计成高效地查询关系数据库的，不是用来表示自然语言问题的含义。对不匹配的解决办法是使用中间表征。

NatSQL的主要语法如论文表1，其设计原则是简化SQL的结构并使其语法与自然语言描述接近：

• 它只保留SQL中的SELECT， WHERE， ORDER BY 子句。 去掉了GROUP BY，HAVING， FROM， JOIN ON，集合操作符(INTERSECT，UNION，EXCEPT)，子查询。
• 大写斜体字符为SQL和NatSQL关键词，其他大写字符表示特殊的含义：‘TABLE_NAME’， ‘COLUMN_NAME’ 为数据库而定义的, ‘NUMBER’， ‘STRING’ 表示数据类型。
• 除了被删除的SQL子句外，NatSQL和SQL的差别在表1中用下划线表示。NatSQL将被删除的子句的功能通过添加新的关键字以及允许where条件之前出现conjunct来实现。

论文图1用一个例子示意了NatSQL与其他几种中间表征方法，NatSQL与SemQL最像，论文认为它在如下方面提升了SemQL:

• 相比SemQL对SQL语句的兼容范围更大；
• 简化了带集合操作符(INTERSECT，UNION，EXCEPT)的查询语句结构；
• 去掉了嵌套子查询；
• 减少了需要预测的schema元素的个数；
• 使用与SQL一样的关键字和句法，比SemQL可读性更好且更易扩展。

论文后续部分更详细介绍了这些细节，本笔记主要对NatSQL作一个基本了解，就不详细记录了。

注：NatSQL的github没有包括将SQL转换成NatSQL的代码(有几个issue(1, 2)都提到了这个问题)