GraphOTTER：基于图的LLM用于复杂表格问答演化
计算与语言
2024-12-03 v1
摘要
复杂表格问答涉及根据具有复杂布局和灵活表头位置的表格提供准确答案。尽管在大型语言模型(LLM)时代已取得显著进展，但现有方法的推理过程往往是隐式的，将整个表格输入提示中，这使得有效过滤表格中的无关信息变得困难。为此，我们提出了GraphOTTER，通过显式建立推理过程来精确定位正确答案。具体而言，GraphOTTER利用图基表示，将复杂表格转换为无向图。然后，在图上进行分步推理，每一步都由一组预定义的中间推理动作指导。因此，它构建了清晰的推理路径，并有效地识别给定问题的答案。在两个基准数据集和两个LLM后端上的全面实验表明，GraphOTTER的有效性。进一步分析表明，其成功可能归因于能够有效过滤无关信息，从而将推理过程集中在最相关的数据上。我们的代码和实验数据集均可在\url{https://github.com/JDing0521/GraphOTTER}获取。
引用
@article{arxiv.2412.01230,
title = {GraphOTTER: Evolving LLM-based Graph Reasoning for Complex Table Question Answering},
author = {Qianlong Li and Chen Huang and Shuai Li and Yuanxin Xiang and Deng Xiong and Wenqiang Lei},
journal= {arXiv preprint arXiv:2412.01230},
year = {2024}
}
备注
COLING 2025, code is available at https://github.com/JDing0521/GraphOTTER