ReTAG：推理感知的表格到分析性文本生成
计算与语言
2023-10-31 v2 人工智能
摘要
表格摘要任务旨在生成既简洁又准确表示表格或表格中特定高亮单元格集合的文本。尽管表格到文本生成技术已取得显著进展，模型仍大多生成描述性摘要，仅以句子复述表格内所含信息。通过对流行表格到文本基准（ToTTo（Parikh等人，2020）与InfoTabs（Gupta等人，2020））的分析，我们观察到为生成理想摘要，需要多种类型的推理，并访问超出表格范围的知识。为弥补此差距，我们提出ReTAG，一种表格与推理感知模型，利用矢量量化将不同类型的分析性推理注入输出。在表格到文本生成任务中，ReTAG在ToTTo与InfoTabs的相关切片上相较最先进基线于PARENT指标取得2.2%、2.9%的提升。通过人工评估，我们观察到相较强表格感知模型，ReTAG输出在忠实性与分析性上最高提升12%。据我们所知，ReTAG是首个能在结构感知序列到序列模型中可控地使用多种推理方法，从而在多个表格到文本任务上超越最先进性能的模型。我们扩展（并开源35.6K分析性、55.9K描述性实例）ToTTo、InfoTabs数据集，标注各参考句所用推理类别。
引用
@article{arxiv.2305.11826,
title = {ReTAG: Reasoning Aware Table to Analytic Text Generation},
author = {Deepanway Ghosal and Preksha Nema and Aravindan Raghuveer},
journal= {arXiv preprint arXiv:2305.11826},
year = {2023}
}