N2N-GQA：基于 LLM 的图结构表格-文本问答中的噪声到叙述
计算与语言
2026-01-13 v1
摘要
多跳问答处理混合表格-文本数据需要从大型语料库中检索并推理多个证据片段，但标准的检索增强生成（RAG）流水线将文档处理为平坦的排序列表，导致检索噪声遮蔽推理链。我们提出 N2N-GQA。据我们所知，这是首个零样本开放域混合表格-文本问答框架，通过构建动态证据图从噪声检索输出中构造证据。我们的关键洞察是，多跳推理需要理解证据片段之间的关系：通过将文档建模为图节点，将语义关系建模为边，我们识别连接推理步骤的桥接文档，这一能力在基于列表的检索中不存在。在 OTT-QA 上，图结构证据清洗相对于强基准实现了 19.9 分的 EM 提升，表明将检索结果组织为结构化图对多跳推理至关重要。N2N-GQA 实现了 48.80 的 EM 分数，匹配微调检索模型（CORE：49.0 EM），并接近高度优化系统（COS：56.9 EM），且无需任何任务特定训练。这一结果表明图结构证据组织对可扩展的零样本多跳问答系统至关重要，证明了简单且可解释的图构建方法能够与复杂的微调方法相抗衡。
引用
@article{arxiv.2601.06603,
title = {N2N-GQA: Noise-to-Narrative for Graph-Based Table-Text Question Answering Using LLMs},
author = {Mohamed Sharafath and Aravindh Annamalai and Ganesh Murugan and Aravindakumar Venugopalan},
journal= {arXiv preprint arXiv:2601.06603},
year = {2026}
}
备注
Accepted at an AAAI 2026 Workshop