HELIOS：多粒度表格-文本检索中的早期融合、晚期融合与LLM推理融合
数据库
2026-03-04 v1 计算与语言
信息检索
机器学习
摘要
表格-文本检索旨在检索以支持开域问答的相关表格和文本。现有研究要么采用早期融合，要么采用晚期融合，但面临局限性。早期融合将表格行与其关联段落预先对齐，形成“星形”结构，通常包括不相关的上下文，并遗漏查询依赖的关系。晚期融合检索单个节点，动态地对其进行对齐，但风险在于遗漏相关上下文。两种方法也难以处理诸如列级聚合和多跳推理等高级推理任务。为此，我们提出HELIOS，将两者的优势结合在一起。首先，基于边的二分子子图检索识别表格片段与段落之间更细粒度的边，有效避免不相关上下文的包含。然后，查询相关节点扩展识别最有前景的节点，动态检索相关边以扩大二分子子图，最大限地降低遗漏重要上下文的风险。最后，基于星形的LLM精炼在星形图层级而非二分子子图上进行逻辑推理，支持高级推理任务。实验结果表明，HELIOS在OTT-QA基准上相对于最先进模型实现了显著提升，召回率提升最高可达42.6%，nDCG提升最高可达39.9%。
引用
@article{arxiv.2603.02248,
title = {HELIOS: Harmonizing Early Fusion, Late Fusion, and LLM Reasoning for Multi-Granular Table-Text Retrieval},
author = {Sungho Park and Joohyung Yun and Jongwuk Lee and Wook-Shin Han},
journal= {arXiv preprint arXiv:2603.02248},
year = {2026}
}
备注
9 pages, 6 figures. Accepted at ACL 2025 main. Project page: https://helios-projectpage.github.io/