本文提出一个新结构的 seq2seq 模型，包含场门编码器和生成器，以及双重注意力机制，通过编码和解码阶段实现了对表格内容和结构的建模，从而实现了表格到文本的生成任务，并在 WIKIBIO 数据集上取得了优于基线的结果。

Nov, 2017

提出了一种面向文本到表格的神经模型框架，包括排列基础的解码器，可应用于提取行项、合并实体和关系、或者知识库填充等 NLP 任务中，并在多个挑战性数据集上实现了超越以往解决方法高达 15％的最优效果。

Jun, 2022

本文介绍了一种用于文本到表格生成的新模型，该模型在考虑到多行中的大多数组合不敏感的情况下，首先采用文本编码器编码输入文本，再加入了一种表头生成器来以序列生成的方式输出表头，之后再使用具有可学习的行和列嵌入的表体生成器并行生成一组表身行，实验结果表明，此模型优于基线，达到了公认的数据集上的最佳性能。

May, 2023

在仅有有限平行数据的低资源情况下，本文提出了一种将结构化数据转化为非结构化文本的表格转文本生成模型，将生成过程分为关键事实预测和表面实现两个阶段，其中关键事实预测需要的注释数据更少，而表面实现则可以通过伪平行语料库进行训练，在传记生成数据集上实现了 27.34 BLEU 分数，明显优于基线模型的 9.71 BLEU 分数。

Aug, 2019

提出一种基于自我注意力机制的等变学习框架，通过在单元格层面有效表达表格内容之间的关系，并保证模型对内容不变的结构变换具有鲁棒性以提高 table-to-text 生成模型在 ToTTo 和 HiTab 数据集上的性能。

May, 2022

TABT5 是编码器 - 解码器模型，可以生成基于表格和文本输入的自然语言文本，结合表格特定的嵌入和预训练，成功地克服了编码器的限制，并在多个领域取得了最新的最佳结果。

Oct, 2022

本文提出了一种处理同时在文本和表格中找到答案的问答模型，使用多模态数据集及向量嵌入模型进一步提高检索性能，其中 tri-encoders 模型的检索性能较 bi-encoders 模型更佳。

Aug, 2021

深度学习模型可使用 Hierarchical Attention 的编码 - 解码方法来提高结构化表格的自然语言 summarization，并在 WEATHERGOV 数据集中实验，得到了～30% 的提升。

Apr, 2018

Tabular data is commonly used for recording historical events, and this research proposes a fine-grained hierarchical model that contextualizes fields at both the row and column levels to improve performance on regression and classification tasks.

Jun, 2024

本文提出了一种简单的方法，利用表格内容为基于 BERT 的模型解决文本到 SQL 的问题。通过观察表格内容与问题中的一些单词匹配以及表格标题也与问题中的一些单词匹配，我们为深度模型编码了两个额外的特征向量。我们在 WikiSQL 数据集上进行了测试，并在逻辑形式和执行准确性方面比 BERT 基线提高了 3.7％，成为业内领先者。

Oct, 2019