Apr, 2024

文本 - 元组 - 表：通过全局元组提取实现文本到表生成中的信息整合

PDF
TL;DR本论文介绍了 LiveSum，这是一个用于根据实时评论文本生成比赛摘要表格的新基准数据集。该论文评估了最先进的大型语言模型在这项任务中的性能，并提出了一种名为 $T^3$（文本 - 元组 - 表格）的新型流水线来改善性能。实验证明，即使在微调之后，大型语言模型在这项任务中仍然遇到困难，而我们的方法可以在没有显式训练的情况下获得显著的性能增益。进一步的分析表明，我们的方法具有较强的泛化能力，超过了以前的一些文本到表格数据集的方法。
发现论文，激发创造
  • QTSumm：面向查询的表格摘要新基准

    本研究定义了一个新的针对查询的表格摘要任务，并提出了一个新的名为 QTSumm 的基准测试，其中包含 5625 个在各种主题的 2437 个表格上人工注释的查询摘要对。实验结果和手动分析表明，我们的基准测试为未来的表格到文本生成研究提供了重要挑战和发展机会。

    May, 2023

  • 长文本和多表总结：数据集和方法

    旨在创造简明摘要以涵盖输入文档的要点信息。自动文档摘要对文本和非文本内容进行了讨论，提出了涵盖定量描述的关键指标的表格数据的重要性，提出了一个大规模数据集和三种摘要方法，还评估了评估指标

    Feb, 2023

  • HELLaMA: 基于 LLaMA 的表格文本生成方法，通过突出重要证据

    使用大型模型进行 fine-tuning，注入推理信息，突出表格的效果，并且获得最先进的结果。

    Nov, 2023

  • QFMTS: 生成多表输入的查询关注摘要

    我们提出了一种新方法来满足用户对表格总结的信息和质量要求，并且利用文本查询和多个表格生成与用户信息需求相适应的查询依赖的表格总结。我们通过使用特定于该任务的综合数据集展开了广泛的实验证明了我们提出的方法相对于基准方法的有效性，并为查询依赖的多表总结的研究进展提供了洞察。

    May, 2024

  • 文本转表：一种新的信息提取方式

    本文研究了信息提取的新问题 -- 文本到表格，通过学习文本 - 表格配对数据，训练模型以生成主要内容的表格。我们将其形式化为序列到序列问题，使用预训练语言模型 fine-tuned 后的 seq2seq 模型完成任务，并通过引入表格约束和表格关系嵌入来改进性能。实验结果显示，我们的方法可以进一步提高基线模型和关系提取 / 命名实体提取等传统方法的性能，论文还讨论了相关挑战。

    Sep, 2021

  • 对话式搜索中表格数据的总结和探索

    本文提出一种基于自然语言摘要的表格信息检索方法，并利用一个新的以对话为导向、面向开放领域的表格摘要数据集来构建 SOTA 基线系统，并指出了未来研究方向和挑战。

    May, 2020

  • TriSum: 从大型语言模型中学习结构化理由的文摘能力

    通过 TriSum 框架，我们将大型语言模型的文本摘要能力提炼为一个紧凑且本地化的模型，以应对资源有限和注重隐私的环境。通过对各项任务进行演化式学习，我们的方法在各个评估基准上提升了本地化模型的性能，并提供了摘要的合理解释。

    Mar, 2024

  • 大型语言模型是有效的表格到文本生成器、评估器和反馈提供者

    本研究研究了大型语言模型在生成结构化表格数据文本时的性能，证明了大型语言模型在文本生成领域中的潜力和应用，并探讨了大型语言模型在文本生成质量自动评估及模型优化中的应用。

    May, 2023

  • 事实与感受：在表格转文本生成中捕捉客观性和主观性

    通过对线性化表格进行序列到序列模型的微调和在流行的大型语言模型上进行提示，我们分析了从定量和定性的角度来确保捕捉主观性和事实的一致性的结果，显示出微调的 LMs 可以接近提示的 LLMs。根据我们的了解，我们提供了一种多类型和包含主观性的表格数据集，并对不同的 LLM 性能进行了首次全面的分析和比较。

    Jun, 2024

  • 基于表格转文本方法探索在基于 LLM 的领域混合数据上增强问答效果的影响

    通过比较分析不同 Table-to-Text 方法生成的语料库对 QA 系统性能的影响，为开发稳健 QA 系统的学术和工业界提供有价值的参考。

    Feb, 2024