Mar, 2022

基于检索增强生成的端到端表格问答

PDF
TL;DR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。
table question answeringt-ragtable corpusbartstate-of-the-art
发现论文，激发创造
  • 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

  • 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

  • 基于密集检索的表格开放领域问答

    本研究针对开放领域问题回答系统的表格数据提出了一种有效的检索方法，并通过训练和挖掘难例等技术，提高了回答的准确性和表现。

    Mar, 2021

  • 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

  • 表格问答调查：最新进展

    该研究调查了目前表格问答的数据集和方法，并将现有的表格问答方法分类为五类，即基于语义解析的、生成式的、提取式的、基于匹配的和检索式的方法。此外，研究还提出了该领域的一些主要挑战和未来方向。

    Jul, 2022

  • MFORT-QA：多跳少样本开放丰富表格问答

    通过多跳式少样本开放式丰富表格问答（MFORT-QA）方法，利用大型语言模型、少样本学习和多跳式推理思路，从表格数据中提取信息并显著改善抽取式表格问答方法的准确性。

    Mar, 2024

  • 把检索视为注意力：单个 Transformer 内检索和阅读的端到端学习

    通过使用 Retrieval as Attention (ReAtt) 和 Transformer，我们的研究表明，通过端到端的培训，单个模型可以同时实现有竞争力的提取和问答表现，在监督和无监督的设置中显著提高其在超领域数据集上的性能。

    Dec, 2022

  • 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

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

    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．

    Jun, 2021

  • S$^3$HQA：用于多跳文本 - 表格混合问答的三阶段方法

    在本文中，我们提出了一个三阶段的 TextTableQA 框架 S3HQA，它包括检索器、选择器和推理器。在推理操作方面，我们采用了基于生成模型的推理器，包括一种行生成器和 LLM 提示生成器 (首次在这一任务中使用)。实验结果表明，我们的方法在少样本情况下取得了竞争性成果。当在整个数据集上训练时，我们的方法优于所有基线方法，在 HybridQA 排行榜上排名第一。

    May, 2023