本文提出了一种新的多表问题回答模型，称作 MultiTabQA，除了回答多表问题外，还能生成表格回答。为了实现有效的训练，我们构建了一个包括 132,645 个 SQL 查询和表格回答的预训练数据集。通过引入不同严格程度的特定于表格的评估指标，我们评估了生成的表格。经过在三个数据集（Spider、Atis 和 GeoQuery）上微调后，MultiTabQA 优于在多表 QA 环境中改编成的最先进的单表 QA 模型。

May, 2023

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

本研究提出了一个优化的 OpenQA 表格文本检索器（OTTeR），通过增强混合模态表示学习，采用混合模态负面抽样策略和综合预训练来解决表格文本不一致和数据稀疏性问题，并在实验中取得最先进的结果。

Oct, 2022

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

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

TableQuery 是一种使用深度学习模型进行自然语言查询转化为结构化查询的工具，解决了传统深度学习方法在表格数据上存在的内存和实时更新的问题。

Jan, 2022

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

本文在生物医学领域维度构建了一个表格问答数据集 BioTABQA，包含 22 个模板和上下文中的信息。通过该数据集，本文提出了一种基于指导学习的方法，在多个评估方式下，该方法比单一和多任务基线模型表现提高约 23% 和 6%。最重要的是，在跨任务方面，该方法的性能比基线模型提高了约 5%。

Jul, 2022

本文研究使用深度学习技术回答多步推理问题的方法，该方法基于自然语言问句生成机器可理解的逻辑形式，使用字符和单词 CNN 同时嵌入逻辑形式和问句，并使用神经评分函数检索问题的最可能逻辑形式，取得 38.7% 的最佳性能。

Feb, 2017

本文研究如何利用少量参数来实现在结构化表格数据和非结构化文本数据上执行抽象问答（QA）的编码器 - 解码器模型，通过在转换器层之间添加和训练小型任务特定的瓶颈层来实现参数节约。通过在编码器和解码器模块上消融适配器层，研究了效率与性能之间的权衡，证明将可训练参数减少到 0.7％ -1.0％可以产生可比较的结果，实证表明所提模型在 Tablesum 和 FeTaQA 等表格 QA 数据集上优于当前最先进的模型，并在 NarrativeQA 等文本 QA 数据集上实现了可比性能且训练参数明显少于针对性 fine-tuning 方法。

Apr, 2022