用于解决金融问答的基于案例推理方法

衡量机器对人类语言的理解通常涉及其推理技能的评估，即推导问题答案的逻辑过程。尽管近期的语言模型在基于文本的任务中表现出卓越的能力，但它们在处理包含异构信息（如文本、表格和数字）的复杂推理问题时的有效性仍不确定。为填补这一空白，FinQA 引入了一个面向金融文档的数值推理数据集，并同时提出了一种程序生成方法。我们的调查显示，一半的错误（48%）源于生成了错误的操作。为解决此问题，我们提出了一种利用基于案例推理（CBR）解决数值推理问题的新方法，这是一种人工智能范式，通过提供相似案例（即相似问题及其对应逻辑程序）来提供问题求解指导。我们的模型检索相关案例以解答给定问题，随后基于检索到的案例与上下文信息生成答案。通过在 FinQA 数据集上的实验，我们证明了该方法的竞争性能，并额外表明通过扩展案例库，我们可以帮助解决 FinQA 表现出弱点的复杂多步程序。