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

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

本研究提出了一种基于序列生成模型和抽取的文本片段的表格标题生成方法，在少于 1 万个示例的训练下超过了现有的方法，接近群众智慧标题的质量，并成为处理表格标题文本生成的新的最佳方法。

Jun, 2018

本论文介绍了 LiveSum，这是一个用于根据实时评论文本生成比赛摘要表格的新基准数据集。该论文评估了最先进的大型语言模型在这项任务中的性能，并提出了一种名为 $T^3$（文本 - 元组 - 表格）的新型流水线来改善性能。实验证明，即使在微调之后，大型语言模型在这项任务中仍然遇到困难，而我们的方法可以在没有显式训练的情况下获得显著的性能增益。进一步的分析表明，我们的方法具有较强的泛化能力，超过了以前的一些文本到表格数据集的方法。

Apr, 2024

本研究提出了一种新的零样本文本到 SQL 任务中的方法，该方法不依赖于任何额外的手动注释，并在 WikiSQL 数据集和 ESQL 数据集上展开了广泛实验，相较于使用相同预训练模型的现有方法，我们的方法在两个数据集上都取得了显著的改进，特别是在零样本子集上，我们的方法进一步提高了改进。

Sep, 2021

通过图像化表格在表格到文本任务中的表现，本文证明图像化表格比典型的文本线性化更具空间效率，多模态方法在表格到文本任务中具有竞争力，并且在未知数据集中具有更好的泛化性能。此外，作者引入了一种新的中间训练课程以增强对表格结构的感知，从而提高模型的生成和整体可信度。

Nov, 2023

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

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

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

本文提出了一种新的基于表格到文本的方法，通过自我纠正、复制机制和合成数据增量，增强了该方法的性能。实验证明，该方法选择了显著的生物医学实体和值，以生成相关的文本，同时我们还演示了该系统对新数据集的轻量级适应。人工验证表明，该模型的输出是准确和可靠的。

May, 2022