Jun, 2022

基于编码器 - 解码器模型的表格生成框架

PDF
TL;DR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。
text-to-table neural modelsentity and relation extractionknowledge base populationpermutation-based decodersequential models
发现论文，激发创造
  • 三维有效分层编码表格生成文本

    本文主要介绍了一个改进型的 Seq2Seq 模型，可用于将多维表格转化为文本，并针对表的多个维度建模，并在 NBA 篮球比赛数据的基准数据集 ROTOWIRE 上进行了评估，效果明显。

    Sep, 2019

  • 基于结构化数据的订单规划神经文本生成

    研究人员提出了一种基于训练有素的神经网络的文本生成模型，以便从结构化数据中（例如表格）生成自然文本，该模型能够捕捉不同字段之间的关系，以生成更流畅的文本。

    Sep, 2017

  • 文本到表格生成的序列 - 序列与集合模型

    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

  • TableFormer: 基于 Transformer 的表格结构理解

    本文提出了一种新的表格结构识别模型，通过引入新的对象检测解码器和基于 transformer 的解码器，能够更准确地提取表格内容并处理各种形式的表格。

    Mar, 2022

  • 结构感知 Seq2seq 学习的表格到文本生成

    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

  • 使用 TabT5 进行表格到文本生成和预训练

    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

  • TableFormer：表格文本编码的鲁棒 Transformer 建模

    提出了一种结构完整和鲁棒性强的表格文本编码架构 TableFormer，通过可学习的注意力偏置完全融合了表格结构偏差，进一步强化了对表格的理解能力，在 SQA、WTQ 和 TabFact 等表理解数据集方面优于强基线，尤其在面对具有答案不变的行列顺序扰动时，相对于最佳基线的提升达到 6％。

    Mar, 2022

  • 以关键事实为枢轴：低资源表格到文本生成的双阶段模型

    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

  • 具有结构感知等变学习的强健 (可控) 表格到文本生成

    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

  • 利用预训练语言模型实现表格到文本的生成：一种表格结构理解和文本构思的方法

    本文提出了一种名为 TASD 的表结构理解和文本判断方法，采用三层多头自注意力网络实现了以预训练语言模型为基础的文本生成模型，并采用多遍解码器框架增强了表格描述的生成能力，实验证明该方法可以为不同类型的表格生成准确流畅的文本描述。

    Jan, 2023