MFORT-QA：多跳少样本开放式富表格问答
计算与语言
2024-03-29 v1 人工智能
摘要
在当今快节奏的工业界，专业人士面临着每天总结大量文档并从中提取重要信息的挑战。这些指标常常隐藏在表格和/或其嵌套的超链接中。为了应对这一挑战，表格问答（QA）方法被开发出来以提取相关信息。然而，传统的表格问答训练任务为问题提供表格和来自标准单元格坐标的答案，可能并不总能确保提取出准确的答案。大语言模型（LLM）的最新进展为利用提示从表格数据中提取信息开辟了新的可能性。在本文中，我们引入了多跳少样本开放式富表格问答（MFORT-QA）方法，该方法包含两个主要步骤。第一步涉及少样本学习（FSL），其中基于给定问题检索相关表格及其超链接的关联上下文。随后将检索到的内容用于构建少样本提示，作为 LLM（如 ChatGPT）的输入。为了应对回答复杂问题的挑战，第二步利用思维链提示，以多跳方式将复杂问题分解为一系列问题和推理思路。检索增强生成（RAG）通过检索与所得推理思路和问题相关的表格及超链接上下文来增强此过程。这些额外的上下文随后被用于补充第一步中使用的提示，从而使 LLM 生成更准确的答案。来自 OTT-QA 的实证结果表明，我们的生成式问答方法显著提高了抽取式表格问答方法的准确率。
引用
@article{arxiv.2403.19116,
title = {MFORT-QA: Multi-hop Few-shot Open Rich Table Question Answering},
author = {Che Guan and Mengyu Huang and Peng Zhang},
journal= {arXiv preprint arXiv:2403.19116},
year = {2024}
}
备注
8 pages