基于Agentic LLMs的表格数据问答
计算与语言
2025-09-12 v1
摘要
表格数据问答(Table QA)因实际表格结构、规模和数据类型多样性而呈现独特挑战。SemEval 2025 Task 8(DataBench)引入了由大规模、领域多样数据集组成的基准，用于评估模型准确回答结构化查询的能力。我们提出一种基于自然语言转SQL(NL-to-SQL)的方法，利用大型语言模型(LLM)如GPT-4o、GPT-4o-mini和DeepSeek v2:16b动态生成SQL查询。该系统遵循多阶段管道，包括示例选择、SQL查询生成、答案提取、验证及迭代细化。实验表明，我们的方法有效，分别在DataBench QA和DataBench Lite QA上取得70.5%和71.6%的准确率，显著超越基线得分26%和27%。本文详细阐述了方法、实验结果及替代方案，提供对LLM驱动表格问答优势与局限性的见解。
引用
@article{arxiv.2509.09234,
title = {Agentic LLMs for Question Answering over Tabular Data},
author = {Rishit Tyagi and Mohit Gupta and Rahul Bouri},
journal= {arXiv preprint arXiv:2509.09234},
year = {2025}
}
备注
Accepted at ACL workshop SemEval 2025