ITUNLP 在 SemEval-2025 Task 8 中的冷启动方法：基于大语言模型驱动的代码生成进行表格数据问答
计算与语言
2025-08-04 v1
摘要
本文介绍了我们用于 SemEval-2025 Task 8：DataBench 表格数据问答任务的系统。该任务的主要目标是在两个子任务下对给定的多样化领域表格数据集进行问答：DataBench QA（子任务 I）和 DataBench Lite QA（子任务 II）。为解决这两个子任务，我们开发了一种零样本解决方案，重点利用基于大语言模型（LLM）的代码生成。具体而言，我们提出了一个利用最先进的开源大语言模型生成可执行 Pandas 代码的 Python 代码生成框架，通过优化提示策略实现。我们的实验结果表明，不同的大语言模型在 Python 代码生成方面的有效性存在差异。此外，结果显示，Python 代码生成在表格问答中取得的性能优于替代方法。尽管在本论文提交时我们无法确定零样本系统中的排名，但我们的系统在 30 个在开源模型类别中超越基线的系统中，分别在子任务 I 和子任务 II 中获得了第 8 名和第 6 名。
关键词
引用
@article{arxiv.2508.00762,
title = {ITUNLP at SemEval-2025 Task 8: Question-Answering over Tabular Data: A Zero-Shot Approach using LLM-Driven Code Generation},
author = {Atakan Site and Emre Hakan Erdemir and Gülşen Eryiğit},
journal= {arXiv preprint arXiv:2508.00762},
year = {2025}
}