面向多表格数据的推理感知查询导向摘要
计算与语言
2024-12-13 v1
摘要
针对从结构化数据中提取精确且相关信息的挑战性任务，查询导向的多表格数据摘要是一项关键但具备挑战性的工作。现有方法常依赖复杂的预处理步骤，难以在不同领域间泛化，或处理多表格查询所需的逻辑推理。本文提出 QueryTableSummarizer++，这是一套基于大语言模型（LLM）的端到端生成框架，采用表格感知预训练、查询对齐微调以及基于反馈的强化学习。该方法无需中间序列化步骤，直接生成与查询相关的摘要。实验在基准数据集上表明，QueryTableSummarizer++ 在 BLEU、ROUGE 和 F1 分数等指标上显著优于最先进的基线方法。额外分析强调其在可扩展性、跨域泛化以及复杂查询处理方面的鲁棒性。人类评估进一步验证了生成摘要的优质质量和实际应用价值，确立了 QueryTableSummarizer++ 作为多表格摘要任务中高度有效的解决方案。
引用
@article{arxiv.2412.08970,
title = {Reasoning-Aware Query-Focused Summarization over Multi-Table Data},
author = {Xiaochuan Lin and Xiangyong Chen},
journal= {arXiv preprint arXiv:2412.08970},
year = {2024}
}