Tree-of-Table：释放 LLM 在大规模表格理解中的潜能
计算与语言
2024-11-14 v1
摘要
表格作为半结构化数据在各领域的普遍性和价值，要求采用先进方法理解其复杂性和海量信息。尽管大语言模型 (LLM) 在推进自然语言理解前沿方面表现出色，但将其应用于大规模表格数据面临重大挑战，特别是表格规模和复杂错综关系方面。现有工作在小规模表格上显示出潜力，但在处理真实场景中发现的大型互联表格所需的复杂推理时往往力不从心。为填补这一空白，我们提出“Tree-of-Table”，一种旨在增强 LLM 对大型复杂表格推理能力的新方法。我们的方法采用表格压缩与分解，将相关数据提炼并重组为可管理格式，随后构建层级化表格树以促进树结构推理。通过细致的表格树执行过程，我们系统地展开树结构推理链以得出解决方案。在 WikiTQ、TableFact、FeTaQA 和 BIRD 等多样化数据集上的实验表明，Tree-of-Table 确立了新基准，性能优越，在大规模表格推理中展现出卓越的效率和泛化能力。
引用
@article{arxiv.2411.08516,
title = {Tree-of-Table: Unleashing the Power of LLMs for Enhanced Large-Scale Table Understanding},
author = {Deyi Ji and Lanyun Zhu and Siqi Gao and Peng Xu and Hongtao Lu and Jieping Ye and Feng Zhao},
journal= {arXiv preprint arXiv:2411.08516},
year = {2024}
}