Die Generierung von Strukturierten Abfragesprache (SQL)-Abfragen aus natürlicher Sprache ist ein seit langem offenes Problem. Die Beantwortung einer Frage in natürlicher Sprache über eine Datenbanktabelle erfordert das Modellieren komplexer Interaktionen zwischen den Spalten der Tabelle und der Frage. In dieser Arbeit wenden wir einen synthetischen Ansatz an, um dieses Problem zu lösen. Basierend auf der Struktur von SQL-Abfragen zerlegen wir das Modell in drei Untermoduln und entwerfen spezifische tiefere neuronale Netze für jedes davon. Inspiriert durch die ähnliche Maschinenlese-Aufgabe verwenden wir bidirektionale Aufmerksamkeitsmechanismen und Zeichenebene-Einbettungen mit Faltungsneuronalen Netzen (CNNs), um das Ergebnis zu verbessern. Experimentelle Auswertungen zeigen, dass unser Modell die neuesten Stand der Technik-Ergebnisse im WikiSQL-Datensatz erreicht.