Jun, 2024

利用问题 - 锁定推理器揭示隐式表格知识的洞察性表格摘要

PDF
TL;DR我们提出了一个新颖的表格推理框架 —— 问题 - 指明框架，旨在揭示表格单元中隐含的知识，以生成高质量的表格摘要，并为总结器提供可解释的指导。通过引导教师语言模型按照由粗到细的推理路径进行训练，采用两种质量提升策略，有选择性地提炼高质量的知识给推理器，我们验证了该框架在包括我们新提出的 InsTaSumm 在内的两个表格摘要数据集上的普遍有效性。
发现论文，激发创造
  • 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

  • 从半结构化表格中生成样例，赋予语言模型推理技能

    本文提出了一种基于预训练的方法，通过利用半结构化表格自动生成问题 - 段落对，以检验模型的推理能力，并且通过采样策略来提高模型训练的效率，在三个涉及推理的阅读理解数据集上证明了我们的模型相比于现有流行模型 T5 表现更优。

    Jul, 2021

  • 半结构化表格问答的神经多步推理

    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

  • 利用外部知识提升表格推理能力

    本文通过研究表格自然语言推理问题，针对文本的预训练上下文嵌入等现代自然语言处理方法在表格信息方面所面临的独特挑战，提出了有效的信息呈现改进，经过系统实验表明这些方法可以大幅提高模型的表格推理性能。

    Apr, 2021

  • 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

  • 大型语言模型在表格推理中的调查

    使用大型语言模型 (LLMs) 改善表格推理性能是当前主流方法。本文分析了在 LLMs 时代中提升表格推理性能的主要技术以及 LLMs 相较于之前方法的优势，并提供了改进现有方法和扩展实际应用的研究方向，以激发未来表格推理研究的进一步发展。

    Feb, 2024

  • 增强表格推理的现实数据增强框架

    该论文提出了一种实际的半自动数据增强框架，可以为半结构化表格推理等 NLI 任务构建训练数据。使用生成可应用于相似表格的假设模板生成假设并基于人类逻辑约束和前提重述创建有理的反事实表。该框架可以产生类人的表推理示例，可在有限监督的情况下提高训练数据的规模。

    Oct, 2022

  • TTQA-RS - 多跳表格 - 文本问题回答的细化提示方法与推理及总结

    使用开源语言模型，我们提出了一种基于推理和摘要的分解问题和回答的多跳表 - 文本问答的 TTQA-RS 模型，它在现有的 HybridQA 和 OTT-QA 数据集上的表格 - 文本 QA 任务中表现出色，同时与基于训练的最先进模型相当，展示了基于提示的方法利用开源 LLMs 的潜力，此外，通过使用 GPT-4 与 LLaMA3-70B，我们的模型在多跳表 - 文本 QA 的基于提示的方法上实现了最先进的性能。

    Jun, 2024

  • 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

  • 基于知识的网络表格对话语义解析

    本文提出一种知识感知型的语义解析模型，通过整合不同类型的知识，包括语法知识、专家知识和外部资源知识，提高了对表格的对话语义解析性能。实验结果表明，该模型优于现有最先进的方法，还证明了各种知识的有效性。

    Sep, 2018