CLTR: 一种基于 Transformer 的细胞级表格检索与表格问答系统

Jun, 2021

CLTR: 一种基于 Transformer 的细胞级表格检索与表格问答系统

CLTR: An End-to-End, Transformer-Based System for Cell Level Table Retrieval and Table Question Answering

Feifei Pan, Mustafa Canim, Michael Glass, Alfio Gliozzo, Peter Fox

TL;DR本研究提出了一种基于 Transformer 的端到端表格问答系统，可以将自然语言问题和大量表格语料库输入，以检索最相关的表格并定位正确的单元格以回答问题．该系统可以生成复杂表格上的候选列和行的热图，并允许用户快速标识回答问题的正确单元格．此外，研究提出了两个新的开放领域基准测试，E2E_WTQ 和 E2E_GNQ，旨在验证 CLTR 以及适用于未来的表格检索和端到端表格 QA 研究和实验．

Abstract

We present the first end-to-end, transformer-based table question answering (QA) system that takes natural language questions and massive table corpus as inputs to retrieve the most relevant tables and locate the correct table cells to answer the question. Our system, CLTR, extends the

table question answering transformer-based system end-to-end architecture heatmap of candidate columns and rows open-domain benchmark

发现论文，激发创造

基于检索增强生成的端到端表格问答

我们提出了 T-RAG，一个端到端的表格问答（Table QA）模型，其中一个非参数密集向量索引与 BART 共同微调，通过一个统一的流程搜索表格语料库来直接定位正确答案，并将其应用到最近的开放域表格 QA 基准测试中，并证明微调后的 T-RAG 模型在端到端表格 QA 和表格检索任务中均能够取得最先进的性能。

Mar, 2022

TACR：一种基于表格对齐的混合问答中的单元格选择和推理模型

我们提出了一种基于表格对齐的单元格选择和推理模型，它具有对齐问题到表格的能力，用于细粒度证据检索和答案推理，并在 HybridQA 数据集上实现了领先的结果。

May, 2023

利用 Transformer 捕捉表格中行列语义的问答

本文介绍了两种新方法实现 Table QA 任务，一种是利用独立分类来识别相关单元格的 RCI interaction 模型，一种是通过材料化嵌入现有表格来提高在线 QA 系统效率的 RCI representation 模型，实验证明这两种方法在表格上有效，并且交互模型在最近的基准测试中优于最新的基于 Transformer 的方法，获得了约 3.4％和约 18.86％的精度提高。

Apr, 2021

航空行业复杂表格的问答数据集

该研究主要介绍了一个针对航空业公司数据集的领域特定的表格问答数据集 AIT-QA，分析了使用 Transformer 模型进行 Table QA 的现有方法在处理领域特定的表格数据时面临的挑战，并提出了一些实用的表格预处理步骤。

Jun, 2021

本地化、检索和融合：用于自由形式表格问答的通用框架

该论文提出了一种名为 TAG-QA 的广义三阶段方法，通过表格到图的转换、外部知识检索和表格 - 文本融合来解决生成型 TableQA 中推断长篇自由格式答案的挑战。实验显示，TAG-QA 在 BLEU-4 和 PARENT F-score 指标上优于多个最先进的基准模型。

Sep, 2023

使用多粒度图表示学习检索复杂表格

提出了一种基于图的表格检索框架，该框架可以通过学习多颗粒度图表表示来处理复杂的布局，包括表头嵌套，进而实现自然语言表检索问题的泛化。

May, 2021

cTBL: 为对话表格增强大型语言模型

本论文介绍了一种名为 “Conversational Tables” 的方法，综合使用了文本和非文本信息，利用 Transformer 编码器 - 解码器来检索表格信息，并生成基于所检索到信息的对话响应，实验结果表明在 HyrbiDialogue 数据集上取得了相对 5％左右的 Top-1 和 Top-3 准确度提高，并在响应生成上取得了 46％左右的 ROUGE 分数相对提高和更好的人类评估结果。

Mar, 2023

可迁移的表格问答

本文设计了新的挑战测试基准 WikiSQL-TS 和 WikiTQ-TS，模拟了实际主题转移场景，并提出了适用于 TableQA 的 T3QA（主题可转移的表格问题回答）方案，包括注入特定主题词汇、生成主题专用训练数据生成程序和逻辑形式重新排序器。我们认为我们的主题分裂基准将会促进更好的部署的鲁棒的 TableQA 解决方案。

Sep, 2021

表格与文本的开放式问题回答

该论文研究了开放式问答系统（QA）在同时检索结构化表格和非结构化文本数据时的困难之处，并提出了两种新技术以提高检索准确率，让模型的精确匹配得分提高至 27% 以上，这为该领域的未来研究提供了重要的参考价值。

Oct, 2020

通过条件问答生成表格的 gTBLS

通过生成表格的两个阶段方法（Generative Tables，gTBLS），从结构化文本中提取表格结构和表格内容，并利用预训练大型语言模型的零样本配置，改进先前方法并在多个数据集上提高 BERTScore 达 10% 至 20%。

Mar, 2024