1、简介
- 论文地址：https://arxiv.org/pdf/2104.08303.pdf
最近，基于 Transformer 的架构被用于越来越多被应用于Table QA。在本文中，作者提出了两种新颖的方法，证明一种方法可以在不使用任何这些专门的预训练技术的情况下在 Table QA 任务上实现卓越的性能。
- 第一个模型称为 RCI Interaction ，它利用基于 Transformer 的架构，该架构独立地对行和列进行分类以识别相关单元格。该模型在最近的基准测试中查找单元格值时产生了极高的准确性。
- 作者还提出的第二种模型，称为 RCI Representation，通过实现现有表的嵌入，为在线 QA 系统提供了优于表的显着效率优势。
在最近的基准上实验证明，所提出的方法可以有效地定位表格上的单元格值（在 WikiSQL 查找问题上高达 ∼98% 的 Hit@1 准确率）。此外，RCI Interaction 模型优于最先进的基于 Transformer 在非常大的表语料库（TAPAS 和 TABERT）上进行预训练的方法，在标准 WikiSQL 基准上实现了 ∼3.4% 和 ∼18.86% 的额外精度提高。
2、模型介绍
2.1 模型结构
RCI使用文本匹配来定位答案所在的行或者列，其中一个文本是Question，另一个文本是行或者列。
- RCI Interaction：序列化文本会使用[CLS]和[SEP]将问题与行或者列文本进行拼接，然后这个序列对被输入至ALBERT 。最终[CLS] 隐藏层的输出用于后面的线性层和softmax，判断行或者列是否包含答案。
- RCI Representation：
问题的向量表示和列或者行的向量表示会先被分别算出来。然后，这两个向量按如上图所示的方式进行拼接，并使用带有softmax层的全连接层对拼接后的向量进行分类。
2.2 表格序列化
我们了解了模型的结构后，还有个问题没介绍，那就是行和列是怎么序列化为文本的？作者这里采用的方案是：
- 行：每个单元格的序列化为：单元格的值与该单元格所对应的列标题的拼接，再将该行的每个单元格序列化拼接，构成行的序列化。
- 列：将该列列表头与该列的各个单元格值进行拼接，构成列的序列化。
举个例子，如上所示的表。该表格的第一行被转换为：
代码语言：javascript复制Name:Benjamin Contee|Took office:1789|Left office:1791|Party:Anti-Administration|Note/Events:|该表的第二列被转换为
代码语言：javascript复制Took office : 1789 | 1791 | 1792 | 1793 | 1795 |3. 扩展到聚合问题
虽然 RCI 的重点是解决表格查找问题，但也可以通过添加问题分类器扩展到聚合问题。训练另一个Transformer将“问题-表头”序列对分类为六类之一：lookup, max, min, count, sum 和average。因为表格标题是和，诸如“How many wins do the Cubs have?”之类的问题是相关的。可以由 lookup、count 或者 sum操作得到答案，具体取决于表的结构。
对 RCI 模型的单元级别置信度设置一个阈值，并按预测的问题类型，进行聚合，产生最终答案，即可用于单元格的查找问题，也可以用于聚合成单个数字的问题。
