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

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

提出了一种语法和结构感知的开放域表格问题回答方法，通过提供问题的语法表示和利用表格的结构头部和数值表示来避免细粒度的句法和结构信息丢失，实验结果表明该方法在 NQ-tables 数据集上达到了最先进的效果，并在一个新的开放域 Text-to-SQL 数据集上超越了强基线。

Sep, 2023

通过多跳表格检索与重写和束搜索 (Murre) 方法，提出一种解决单跳检索方法忽略了模式链接的问题，即将问题中的实体与表格实体对齐的文本到 SQL 挑战的方法，以减少相似无关实体的影响并改善领域不匹配实体的局限性，并在 SpiderUnion 和 BirdUnion+ 数据集上进行的实验证明了新的最先进结果并平均提升了 6.38%。

Feb, 2024

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

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

本研究旨在解决自然语言处理中未结构化文本与半结构化表之间的关系问题，通过提出基于内容的表的检索方法，应用精心设计的特征和神经网络结构实现查找中最相关表格的目标，并发布了一个包含 21,113 个网络查询和 273,816 个表格的开放领域数据集，验证了该方法的有效性并提出了该任务的挑战。

Jun, 2017

本研究旨在探究是否需要使用特别设计的表格型模型进行表格信息检索，结果表明在大部分情况下使用基于文本的模型，如 Dense Passage Retriever (DPR) 即可达到相似或更优秀的结果，无需特别设计。通过实验，辅助行 / 列嵌入、硬性注意力蒙版和软关系注意力偏差等三个模块也未能产生显著提高效果，表明使用特别设计的模型并非必要。

May, 2022

地址 “临时表检索” 的问题，提出了一种通过语义匹配查询和表格的方法，通过在多个语义空间中表示查询和表格，并采用各种相似性度量将这些特征用于监督式学习模型中，针对维基百科表格集合进行了实验，并取得了显著和实质性的改进。

Feb, 2018

本文针对欧洲议会选举的数据进行建模，提出了一种基于随机森林和多层感知器神经网络相结合的方法，去完成对选民意向的预测任务，该模型相比其他模型具有更好的预测准确度和稳定性。

May, 2022