ACLMay, 2023

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

PDF
TL;DR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。
hybrid question-answeringtable-alignment-based cell-selection and reasoningfine-grained evidence retrievalqa modulehybridqa
发现论文，激发创造
  • 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

  • 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

  • TAT-QA：面向金融领域表格和文本混合内容的问答基准

    本文提出了一个新的 QA 数据集 TAT-QA，并提出了一个新的 QA 模型 TAGOP，该模型可以同时推理表格和文本的含义，但该模型的 F1 值达到了 58.0％，距离专家水平还有较大的差距（90.8％），本文提供的 TAT-QA 可以作为处理混合形式数据的 QA 模型的基准。

    May, 2021

  • 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

  • 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

  • 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

  • TSQA：基于表格场景的问答系统

    本文提出了一种基于结构化数据的问答任务：表格情境问答，以及一个新的数据集 GeoTSQA。作者利用 TTGen 生成句子并结合多种信息回答问题，在 GeoTSQA 上优于现有强基线方法。

    Jan, 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

  • 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

  • MuGER$^2$: 多粒度证据检索和推理用于混合问答

    提出了一种名为 MuGER^2 的多粒度证据检索和推理方法，通过设计统一的检索器来学习异构数据的多粒度证据，在回答推理中，提出了一个证据选择器，基于学习到的多颗粒度证据导航细粒度证据，显著提高混合问题回答（HQA）的绩效。

    Oct, 2022