Leveraging Heterogeneous Graph-enhanced Large Language Models for Few-shot Complex Table Understand

本文是LLM系列文章，针对《HGT: Leveraging Heterogeneous Graph-enhanced Large Language Models for Few-shot Complex Table Understanding》的翻译。

摘要

表理解（TU）已经取得了可喜的进展，但它面临着手动标记表的稀缺性和复杂表结构的存在等挑战。为了应对这些挑战，我们提出了HGT，这是一个具有异构图（HG）增强的大型语言模型（LLM）的框架，用于处理少量TU任务。它通过软提示和指令转向将表语义与LLM的参数知识对齐来利用LLM，并通过涉及三个新的多粒度自监督HG预训练目标的多任务预训练方案来处理复杂的表。我们实证证明了HGT的有效性，表明它在几个基准上优于SOTA的小样本复杂TU。

1 引言

2 相关工作

3 任务定义

4 方法

5 实验

6 结论

在本文中，我们介绍了一种新的框架，即HGT，它是为小样本复杂TU量身定制的。在CTC、TTC和表QA的多个数据集上验证了HGT的有效性，并进行了深入的消融研究，以检查每个组件的影响。
在未来的工作中，我们计划将HGT的适用性扩展到具有更多样化布局的表，并通过实现增强模型推理能力的技术，进一步提高HGT在表QA任务中的性能。

局限