.png){kind=icon}
返回
Retrieval augmentation for text-to-table generation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ipm.2025.104135.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
文本到表格生成的任务对于许多现实场景具有重要意义。当前解决方案主要将文本信息作为输入并转化为表格结构。然而，原始文本信息通常不包含用于表格生成的显式结构信息：难以形式化表格的表头。此外，直接将文本片段复制为单元格值往往不恰当。也就是说，我们需要更多背景知识来帮助推导单元格值。本文提出了一种简单而有效的框架，利用检索增强技术改进文本到表格生成（即RAGTABLE）。其核心思想是检索相关范例知识作为指导，帮助为目标输入生成表格。具体而言，我们在RAGTABLE的统一流程中全面整合了三个视角：文本匹配（TeM）、迭代表格生成（ITG）和抗噪声学习（NaL）。实验结果表明，我们的RAGTABLE显著优于基线模型，并在常用数据集上达到了当前最优（SOTA）性能，尤其是非表头单元格的生成性能提升最高可达20%。
Keyword:
Retrieval augmentation
Text-to-table generation
期刊
I
IF:
6.9
论文数:
5.2K
被引数:
1.4W
机构
暂无机构信息
引用论文
.png){kind=icon}
Multi-granularity cross-modal representation learning for named entity recognition on social media面向社交媒体命名实体识别的多粒度跨模态表示学习
PREAI
分享收藏
Note the hierarchy: Taxonomy-guided prototype for few-shot named entity recognition注意层次结构: 分类指导下的少镜头命名实体识别原型
PREAI
分享收藏
查看更多内容