面向表格与文本问答的混合图方法
计算与语言
2025-01-30 v1 人工智能
摘要
需要跨越结构化（表格）和非结构化（原始文本）数据源进行推理与聚合的问答问题 presents significant挑战。当前方法依赖于微调和高质量的人工标注数据，这种数据难以获得。大型语言模型（LLM）的最新进展在单一来源文本数据上以零样本 setting下展示了对多跳问答（QA）的有前景的结果，但针对多来源表格-文本问答的探索仍有限。本文提出了一种用于表格-文本问答的 novel 混合图方法，该方法利用 LLM 而无需微调。该方法从文本和表格数据构建统一的混合图，并根据输入问题对信息进行修剪，以简洁地为 LLM 提供相关上下文。我们在具有挑战性的 Hybrid-QA 和 OTT-QA 数据集上评估了该方法，使用了包括 GPT-3.5、GPT-4 和 LLaMA-3 在内的 state-of-the-art LLM。该方法在两个数据集上实现了最佳的 zero-shot performance，Hybrid-QA 上提高了最高达 10% 的 Exact Match 分数，OTT-QA 上提高了 5.4%。此外，本方法相对于原始上下文减少了最高达 53% 的 token 使用。
引用
@article{arxiv.2501.17767,
title = {Hybrid Graphs for Table-and-Text based Question Answering using LLMs},
author = {Ankush Agarwal and Ganesh S and Chaitanya Devaguptapu},
journal= {arXiv preprint arXiv:2501.17767},
year = {2025}
}
备注
Accepted at NAACL 2025 Main Track