从自然语言生成SQL查询语句是一个由来已久的研究课题,SQL语句生成问题是语义解析问题的一个特殊实例。在对话系统领域,SQL语句生成常常被用来构建一些单轮对话系统(如问答系统)的数据库的自然语言接口,然而,多轮对话系统也有这样的需求,因此,对SQL语句生成任务提出了新的应用要求。在多轮对话中,从用户的自然语言语句生成SQL查询语句面临着一些挑战:首先,传统的SQL语句生成方法大多是针对单轮对话的,因而不会考虑对话历史中的语义线索信息,但对于多轮对话来说,隐藏在对话历史中的语义信息线索往往是解析当前时刻语句的关键信息,因此需要考虑对话历史与当前时刻的句子间的关系,充分挖掘对话历史中的重要信息;其次,对于当前时刻的句子来说,对话历史中的句子的重要性是不相同的,因此需要考虑对话历史中句子之间的关系,分辨出对话历史中哪些句子对于解析当前时刻句子来说是重要的,哪些是不重要的。本论文针对以上两个挑战,对多轮对话中的SQL语句生成问题进行了研究和探索,主要的工作贡献有:1.提出了一个增强记忆的LSTM神经网络,该网络改变了神经网络单元的结构,将当前时刻的对话状态作为外部知识添加到LSTM神经网络单元中。2.提出了一个基于单向信息流的图注意力机制,该注意力机制利用对话历史中句子间的信息流传递具有单向性的特征,将大部分的注意力分配给与当前时刻句子较近的语句。本文在多轮对话领域对我们提出的算法进行了一系列的实验和评估。实验结果表明,本文提出的模型能够取得较好的效果。此外,本文还对模型的参数进行了进一步分析与总结。