超越线性化：用于表格推理的属性表图

摘要

表格推理是一项通过推理表格中呈现的数据来回答问题的任务，由于以表格格式存储的知识普遍存在，因此成为一个重要的主题。最近的解决方案使用大语言模型 (LLM)，利用 LLM 的语义理解和推理能力。此类解决方案的常见范例是将表格线性化以形成纯文本，作为大语言模型的输入。这种范式存在关键问题。它丢失了表结构，缺乏结果可解释性的明确推理路径，并且容易出现“中间丢失”问题。为了解决这些问题，我们提出了表图推理器（TABGR），这是一种免训练模型，将表表示为属性表图（ATG）。 ATG 明确保留了行-列-单元结构，同时启用基于图形的推理以实现可解释性。我们进一步提出了一种问题引导的个性化 PageRank (QG-PPR) 机制来对表格数据进行重新排名并缓解中间丢失问题。对两个常用基准进行的大量实验表明，TABGR 的准确度始终优于最先进的模型，最高可达 9.7%。我们的代码将在发布后公开。

超越线性化：用于表格推理的属性表图 — 图2：TabGR 总览，一个基于图的表格推理框架。输入表格首先被转换为属性表图（Attributed Table Graph, ATG），该图支持 Question-Guided Personalized PageRank（QG-PPR），用于估计表格三元组的显著性并对证据重排。重排后的证据随后引导 LLM 在 ATG 上进行推理，产生显式且细粒度的推理路径。