论文： https://einstein.ai/static/images/layouts/research/seq2sql/seq2sql.pdf
数据集：https://github.com/salesforce/WikiSQL
Seq2SQL属于natural language interface （NLI）的领域，方便普通用户接入并查询数据库中的内容，即用户不需要了解SQL语句，只需要通过自然语言，就可查询所需内容。
Seq2SQL借鉴的是Seq2Seq的思想，与Seq2Seq应用于机器翻译与Chatbot类似，Seq2SQL将输入的语句encode后再decode成结构化的SQL语言输出，强化学习是在Seq2SQL中的最后一个模块中应用。同时，这篇论文还推出一个数据集WikiSQL，数据集内有人工标注好的问句及其对应SQL语句。
试验结果显示，Seq2SQL的准确率也不是特别的高，只有60.3%
Seq2SQL结构：
Seq2SQL由三部分组成：
第一部分： Aggregation classifier 这一部分其实是一个分类器，将用户输入的语句分类成是select count/max/min 等统计相关的约束条件
在此处采用的Augmented Pointer Network，Augmented Pointer Network总体而言也是ecoder-to-decoder的结构，
encoder采用的是两层的bi-LSTM, decoder 采用的是两层的unidirectional LSTM，
encoder输出h，ht对应的是第t个词的输出状态
decoder的每一步是，输入y s-1，输出状态gs，接着，decoder为每个位置t生成一个attention的score
，最终生成 
在Seq2SQL中，首先为input生成一个表征向量
（agg：aggregation clasifier， inp：input，enc:encoder）
首先为Augmented Pointer Network类似，计算出一个attention的分数，
，
量化后，通过softmax函数 
input的表征向量 
通过一个多层的网络和softmax完成分类任务
，
第二部分： select column 这一部分是看用户输入的问句命中了哪个column
首先将每个column name 通过LSTM encode
将用户输入encode成与第一部分
类似的
最终通过一个多层的神经元和softmax确定是命中哪一行
第三部分：where clause 确定约束条件，因为最终生成的SQL可能与标注中的不太一样，但是依旧有一样的结果，所以不能像前两部分一样使用交叉熵作为loss训练，因此使用强化训练中reward函数 (g: ground-truth), loss使用梯度
WikiSQL：
WikiSQL包含一系列与SQL相关的问题集以及SQL table
