WTR: A Test Collection for Web Table Retrieval
我们描述了Web表格检索任务的测试集合的发展，特点和可用性，它使用了一个大规模的Web表格语料库提取的公共爬行。由于Web表通常具有丰富的上下文信息，如页面标题和周围的段落，我们不仅提供了相关性判断的查询表对，但也相关性判断的查询表上下文对相对于查询，这是被忽略了以前的测试集合。为了方便未来的研究与此基准，我们提供了有关如何预处理数据集的详细信息，以及传统和最近提出的表检索方法的基线结果。我们的实验结果表明，适当使用上下文标签可以受益于以前的表检索方法。
2021-05-05 cs.IR
Extraction of Product Specifications from the Web -- Going Beyond Tables and Lists
Clustr（Clustr 公司）
网络上的电子商务产品页面通常以结构化表格块的形式呈现产品规格数据。这些产品属性值规范的提取有益于产品目录管理、搜索、问答等应用。然而，在不同的网站中，有各种各样的HTML元素（如<table><ul>，<div><span><dl>等）。通常用于渲染这些块，这使得它们的自动提取成为一个挑战。目前的研究主要集中在从表格和列表中提取产品规格，因此，当应用于大规模提取设置时，会出现召回问题。在本文中，我们提出了一种产品规格提取方法，超越表格或列表，并概括了用于渲染规格块的各种HTML元素。使用手工编码的特征和深度学习的空间和令牌特征的组合，我们首先识别产品页面上的规格块。然后，我们提取产品的属性值对从这些块以下的方法启发包装归纳。我们创建了一个产品规格的标记数据集，这些数据集是从一系列不同产品网站的14，111个不同规格块中提取的。我们的实验表明，我们的方法相比，目前的规格提取模型的有效性，并支持我们的要求，其应用于大规模的产品规格提取。
2022-01-08 cs.IR cs.LG
TabVec: Table Vectors for Classification of Web Tables
Web页面中有数亿个表，其中包含对许多应用程序有用的信息。利用这些表中的数据是困难的，因为这些表中编码的结构、格式和数据种类繁多。TabVec是一种无监督的方法，用于将表嵌入到向量空间中，以支持将表分类为类别（实体，关系，矩阵，列表和非数据），只需最少的用户干预。TabVec部署表单元格的语法和语义，并将表的结构嵌入表向量空间。这使得即使在没有域注释的情况下也能够对表进行更好的分类。我们在四个现实世界领域的评估表明，TabVec与三个最先进的系统相比，分类准确率提高了20%以上，并且这些系统需要大量的领域训练才能取得良好的效果。
2018-02-17 cs.IR
gTBLS: Generating Tables from Text by Conditional Question Answering
Georgia Institute of Technology（佐治亚理工学院）
本文提出两阶段方法 gTBLS，通过推断表格结构并利用条件问答微调因果语言模型生成表格，支持零样本配置，在多个数据集上显著优于先前方法。
2024-03-21 cs.CL cs.IR cs.LG
TableQnA: Answering List Intent Queries With Web Tables
Microsoft（微软）；Microsoft Research（微软研究院）；Amazon（亚马逊）
Web包含大量HTML表格。它们可用于为许多Web查询提供直接答案。我们专注于用这些表回答两类查询：那些寻找实体列表的查询（例如，“加利福尼亚州的城市”）和那些寻求最高级实体的实体（例如，“加州最大的城市”。主要的挑战是在大范围内实现高精度。现有方法训练机器学习模型以从候选者中选择答案;它们依赖于查询与表的内容之间的文本匹配特征以及捕获表质量/重要性的特征。单靠这些特征不足以实现上述目标。我们的主要见解是，我们可以通过以下方式提高精度：（i）首先从上述查询类的查询中提取意图（结构化信息），然后在提取的意图和候选项之间执行结构感知匹配（而不仅仅是文本匹配）以选择答案。我们将（i）建模为序列标记任务。我们利用最先进的深度神经网络模型和词嵌入。该模型需要大规模的训练数据，这是昂贵的，通过手动标记获得，因此，我们开发了一种新的方法来自动生成的训练数据。对于（ii），我们开发了新的功能来计算结构感知匹配并训练机器学习模型。我们对现实生活中的Web搜索查询的实验表明，（i）与基线方法相比，我们的列表和最高级意图查询的意图提取器具有显着更高的精度和覆盖率，（ii）我们的表答案选择器显着优于最先进的基线方法。自2016年以来，该技术已被微软的Bing搜索引擎用于生产。
2020-01-10 cs.IR cs.LG stat.ML
TTQA-RS- A break-down prompting approach for Multi-hop Table-Text Question Answering with Reasoning and Summarization
University of Florida（佛罗里达大学）
本文提出TTQA-RS模型，通过分解提示、检索增强生成和表格-文本摘要，结合推理与子问题答案，在多跳表格-文本问答任务上以开源LLM取得最优性能。
2024-09-30 cs.CL cs.IR
Identifying Web Tables - Supporting a Neglected Type of Content on the Web
互联网上丰富的数据为提取和处理工具的改进提供了便利。开放数据发布的趋势鼓励采用CSV和RDF等结构化格式。然而，Web上仍然存在大量的非结构化数据，我们假设这些数据包含语义。出于这个原因，我们提出了一种方法来获得语义的Web表，这仍然是最流行的发布工具在Web上。本文还讨论了非结构化数据提取和处理的方法和服务，以及机器学习技术，以加强这样的工作流程。最终的结果是一个框架来处理，发布和可视化链接的开放数据。该软件可以从HTML格式的各种开放数据源中提取表格，并自动导出为RDF格式，使数据链接。本文还给出了评估的机器学习技术结合字符串相似性函数应用于表格识别任务。
2015-03-23 cs.IR
TempTabQA: Temporal Question Answering for Semi-Structured Tables
Bloomberg（彭博）；University of Utah（犹他大学）；University of Pennsylvania（宾夕法尼亚大学）；IIT Guwahati（印度理工学院古瓦哈提分校）
本文提出TempTabQA数据集，包含从维基百科信息框表格中提取的11454个问答对，用于评估时间推理，发现最先进LLM性能落后人类超过13.5 F1点，可作为挑战性基准。
2023-11-14 cs.AI cs.CL cs.IR
HiTab: A Hierarchical Table Dataset for Question Answering and Natural Language Generation
Shanghai Jiao Tong University（上海交通大学）；Microsoft Research Asia（微软亚洲研究院）；Carnegie Mellon University（卡内基梅隆大学）；Xi’an Jiaotong University（西安交通大学）
表通常是用层次结构来创建的，但现有的表推理工作主要集中在平面表上，而忽略了层次表。层次表通过层次索引以及计算和语义的隐式关系挑战现有方法。这项工作提出了HiTab，一个自由和开放的数据集，研究问答（QA）和自然语言生成（NLG）的层次表。HiTab是由大量统计报告（分析）和维基百科页面构建的跨领域数据集，具有独特的特点：（1）几乎所有表格都是分层的，（2）NLG的目标句子和QA问题都是从分析师和报告专业人员撰写的原始，有意义和多样化的描述性句子中修改的。(3)为了揭示统计分析中复杂的数值推理，我们提供了实体和数量对齐的细粒度注释。HiTab提供了10，686个QA对和描述性句子，在3，597个表格上进行了良好的注释数量和实体对齐，广泛覆盖了表格层次结构和数值推理类型。针对层次结构，我们设计了一种新的层次感知的逻辑形式的表上的符号推理，这表明了高效率。针对复杂的数值推理，我们提出了部分监督训练，给出了实体和数量对齐的注释，这有助于模型在很大程度上减少QA任务中的虚假预测。在NLG任务中，我们发现实体和数量对齐也有助于NLG模型在条件生成设置中生成更好的结果。最先进的基线的实验结果表明，该数据集提出了一个强大的挑战和未来的研究有价值的基准。
2022-03-26 cs.CL cs.IR
TQA-Bench: Evaluating LLMs for Multi-Table Question Answering
Hong Kong University of Science and Technology（香港科技大学）；Tsinghua University（清华大学）
提出TQA-Bench基准，通过长上下文多表问答任务评估LLM，揭示其在复杂数据驱动环境中的挑战与机遇。
2026-06-05 cs.AI cs.CL cs.IR
Learning Representations for Zero-Shot Retrieval over Structured Data
如今，大规模的人工智能系统广泛应用于下游应用，如聊天机器人和会话对话代理。通常，这样的系统包括一个答案段落检索层，再加上在自然语言查询-段落对上训练的机器理解模型。最近的研究探索了结构化数据源，如Web表和关系数据库的问答。然而，Seq 2SQL等架构假定先验的正确表与自由文本问题一起输入到模型中。我们提出的方法，类似于传统的检索系统中的通道检索模型，描述了一个架构，以辨别正确的表属于一个给定的查询从一个大的候选表池。
2021-10-29 cs.IR
Web-Based Question Answering: A Decision-Making Perspective
University of Washington（华盛顿大学）；Microsoft Research（微软研究院）
我们描述了一个调查的概率模型和成本效益分析，以指导资源密集型的基于Web的问答系统使用的程序。首先，我们提供了一个综述问答系统的研究。然后，我们详细介绍了AskMSR，一个基于Web的问答系统的原型。我们讨论了贝叶斯分析的系统生成的答案的质量，并显示我们如何可以赋予系统的能力，作出决定的数量的查询发出的搜索引擎，查询的成本和预期值的查询结果，在精炼的最终答案。最后，我们回顾了一组实验的结果。
2012-10-19 cs.CL cs.IR
Novel Entity Discovery from Web Tables
Bloomberg（彭博公司）；University of Stavanger（斯塔万格大学）
当使用任何类型的知识库（KB）时，必须确保它尽可能完整和最新。这两个任务都是重要的，因为它们需要面向召回的工作来确定KB中缺少哪些实体和关系。因此，它们需要大量的劳动力。另一方面，Web上的表格非常丰富，并且具有帮助完成这些任务的独特潜力。特别是，我们可以利用这些表中的内容来发现新的实体、属性和关系。因为Web表格通常只包含原始文本内容，我们首先需要确定哪些单元格引用哪些已知实体-我们称之为表到知识库匹配的任务。第一个任务旨在通过将表单元格和标题列链接到KB的元素来推断表语义。然后第二个任务建立在这些链接的实体和属性的基础上，不仅要在同一个表中识别新的实体和属性，还要引导它们的类型和其他关系。我们将此过程称为新实体发现，据我们所知，这是挖掘Web表中未链接单元格的第一次尝试。我们的方法不仅识别出的KB（“新奇”）的信息，但也在KB（“已知”）实体的新的别名。当使用三个专门构建的测试集合进行评估时，我们发现我们提出的方法在保持召回稳定的同时，在精度方面比我们的基线有了显着的提高。
2020-02-01 cs.CL cs.IR
The WDAqua ITN: Answering Questions using Web Data
WDAqua是一个玛丽·居里创新培训网络（ITN），由欧盟资助编号642795，从2015年1月到2018年12月运行。WDAqua旨在通过将培训、研究和创新工作交织在一起，围绕一项服务：数据驱动的问答来推进最先进的技术。问答对广大终端用户立即有用，我们将在电子商务、公共部门信息、出版和智慧城市等环境中展示这一点。问答还广泛涵盖了网络科学和数据科学，从而使完成我们培训计划的研究人员获得可转移的研究成果和可转移的技能。为了确保我们的研究能够从整体上提高问答的质量，每个研究项目都至少要结合其中的两个步骤。交叉借调（在一个涵盖学术界、研究机构和工业研究以及网络范围研讨会、研发挑战和创新项目的联盟内）进一步平衡了突破性研究与社会和工业的需求。培训明智的这些提供装备早期阶段的研究人员的专业知识和可转移的技术和非技术技能，使他们能够追求一个成功的职业生涯作为一个学者，决策者，从业者或企业家。
2015-06-10 cs.IR
DBRAG: Multi-Table Retrieval-Augmented Generation for Complex Database Queries
NYU Abu Dhabi（纽约大学阿布扎比分校）
DBRAG提出一种多表检索增强生成框架，通过离线索引检索候选表、丰富摘要并重排序，结合程序辅助推理器，在Spider、GeoQuery和ATIS数据集上提升了表格检索与多表问答性能。
2026-10-07 cs.IR
MATE: Multi-view Attention for Table Transformer Efficiency
Google Research（谷歌研究院）；University of Maryland（马里兰大学）；Symanto Research（Symanto研究院）
这项工作提出了一个稀疏注意力Transformer架构，用于建模包含大型表的文档。表格在网络上无处不在，并且信息丰富。然而，web上超过20%的关系表具有20行或更多行（Cafarella等人，2008），并且这些大型表对当前的Transformer模型提出了挑战，当前的transformer模型通常限于512个令牌。在这里，我们提出了MATE，一种新的Transformer架构，旨在模拟Web表的结构。MATE使用稀疏注意力的方式，允许头有效地注意表中的行或列。该架构在速度和内存方面线性扩展，并且可以使用当前的加速器处理包含8000多个令牌的文档。MATE对表格数据也有一个更合适的归纳偏差，并为三个表格推理数据集设置了一个新的最先进的。对于HybridQA（Chen等人，2020b），一个涉及包含表格的大型文档的数据集，我们将最佳先验结果提高了19个点。
2021-09-09 cs.AI cs.CL cs.IR
Simulating Users in Interactive Web Table Retrieval
本研究提出基于Doc2Query的交互式查询重构策略模拟Web表格检索会话，结合用户认知状态，通过多视角评估揭示查询策略与模态对用户有效性的影响。
2023-10-18 cs.IR
WS4A: a Biomedical Question and Answering System based on public Web Services and Ontologies
Universidade de Lisboa（里斯本大学）
本文描述了我们的系统，称为WS 4A（Web Services for All），参加了第四版BioASQ挑战赛（2016年）。我们使用WS 4A来执行问题和查询（QA）任务4 b，该任务包括检索相关概念、文档、片段、RDF三元组、每个给定问题的精确答案和理想答案。在我们的方法的新颖性在于最大限度地利用现有的Web服务在WS 4A的每一步，如文本的注释，检索元数据的每个注释。检索到的信息包括概念标识符、本体、祖先，最重要的是PubMed标识符。本文描述了WS 4A管道，并给出了在任务4 b中获得的精确度，召回率和f-测量值。我们的系统在五个批次之一的两个子任务中获得了两个第二名。
2016-11-17 cs.CL cs.IR
WebCPM: Interactive Web Search for Chinese Long-form Question Answering
Tsinghua University（清华大学）；ModelBest Inc.（模数最佳公司）；Tencent Inc.（腾讯公司）；Renmin University of China（中国人民大学）
本文提出首个中文长文本问答数据集WebCPM，基于交互式网络搜索收集5500个问答对，并微调模型模仿人类搜索行为生成答案，在数据集和DuReader上分别有32.5%和47.5%的答案不亚于人工撰写。
2023-05-23 cs.AI cs.CL cs.IR
Mining Implicit Relevance Feedback from User Behavior for Web Question Answering
Microsoft（微软）；BUPT（北京邮电大学）；Simon Fraser University（西蒙弗雷泽大学）
针对多语言商业搜索引擎的网络规模的问答（QA）系统的训练和更新通常需要大量的训练样本。一个原则性的想法是从记录在搜索引擎日志中的用户行为中挖掘隐含的相关反馈。以往的隐式相关反馈挖掘都是针对网页文档的相关性而不是段落。由于问答任务的一些独特的特点，现有的Web文档的用户行为模型不能应用于推断段落相关性。本文首先研究了用户行为与段落相关性之间的关系，提出了一种新的Web问答训练数据挖掘方法。我们在四个测试数据集上进行了大量的实验，结果表明，我们的方法显着提高了通道排名的准确性，而无需额外的人类标记数据。在实践中，这项工作已被证明是有效的，以大大减少人工标注成本的QA服务在全球商业搜索引擎，特别是对语言资源少。我们的技术已经部署在多语言服务中。
2020-06-16 cs.CL cs.IR
TalentMine: LLM-Based Extraction and Question-Answering from Multimodal Talent Tables
Amazon（亚马逊）
针对人才管理系统中复杂表格语义关系丢失导致检索失败的问题，提出基于LLM增强的TalentMine框架，通过多模态推理生成语义丰富的表格表示，在问答任务中实现100%准确率。
2025-06-22 cs.AI cs.CV cs.IR
Identifying Unclear Questions in Community Question Answering Websites
University of Twente（特文特大学）；University of Stavanger（斯塔万格大学）
每天都有数千个复杂的自然语言问题提交给社区问答网站，使其成为当今最重要的信息源之一。然而，提交的问题往往不清楚，如果没有专家社区成员的进一步澄清问题，就无法回答。这项研究是第一次调查将问题分类为明确或不明确的复杂任务，即，如果需要进一步澄清我们构建了一个新的数据集，并提出了一个分类方法，是基于类似的问题的概念。这种方法相比，国家的最先进的文本分类基线。我们的主要发现是，类似的问题的方法是一个可行的替代方案，可以用来作为一个垫脚石对发展的支持用户界面的问题制定。
2019-01-18 cs.CL cs.IR
Using Exclusive Web Crawlers to Store Better Results in Search Engines' Database
基于爬虫的搜索引擎是Web和Internet用户最常用的搜索引擎，它涉及到Web爬虫、数据库存储、排序、索引和向用户显示。但值得注意的是，由于网站的变化越来越大，搜索引擎遭受了很高的时间和传输成本，这些成本消耗在搜索时调查数据库中每个页面的存在，更新数据库，甚至在任何搜索操作中调查其存在。“Exclusive Web Crawler”提出了抓取特征、链接、媒体和其他元素的指导方针，并将抓取结果存储在其网络数据库中的某个表中。通过这样做，搜索引擎将每个站点的表存储在其数据库中，并在其上实现其排名结果。因此，确保了每个表中数据的准确性（以及它的最新性），并且在搜索结果中不显示404结果，因为事实上，该数据爬虫程序抓取网站管理员输入的数据，并且数据库存储他想要显示的任何内容。
2013-05-13 cs.IR
ST-Raptor: LLM-Powered Semi-Structured Table Question Answering
Shanghai Jiao Tong University（上海交通大学）；Simon Fraser University（西蒙弗雷泽大学）；Tsinghua University（清华大学）；Renmin University of China（中国人民大学）
针对半结构化表格问答现有方法信息丢失、布局理解差的问题，提出基于HO-Tree树结构、树操作流水线和两阶段验证的ST-Raptor框架，构建SSTQA数据集，准确率较9个基线最高提升20%。
2025-09-02 cs.AI cs.DB cs.IR
Controlling Risk of Web Question Answering
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
Web问答（QA）已经成为现代搜索系统中不可或缺的组成部分，它可以直接回答用户的信息需求，从而显著改善用户的搜索体验。这可以通过在检索到的段落上应用机器阅读理解（MRC）模型来提取关于搜索查询的答案来实现。随着深度学习技术的发展，最近的深度方法已经实现了最先进的MRC性能。然而，关于MRC的现有研究很少解决预测不确定性问题，即，MRC模型的预测出错的可能性有多大，从而在实际的Web QA应用程序中导致无法控制的风险。在这项工作中，我们首先进行了深入的调查，在Web QA的风险。在此基础上，我们提出了一种新的风险控制框架，该框架包括一个基于探测思想的不确定性估计的定性模型和一个选择性输出的决策模型。对于评估，我们引入了风险相关的指标，而不是传统的EM和MRC中的F1，用于评估风险感知的Web QA。在现实世界的Web QA数据集和学术MRC基准集的实证结果证明了我们的方法的有效性。
2019-07-11 cs.CL cs.IR
HCT-QA: A Benchmark for Question Answering on Human-Centric Tables
Meta
HCT-QA提出了一种用于人类中心表格问答的基准测试，包含大量真实和合成表格数据及对应的问答对，旨在评估和比较基于LLM和VLM的查询性能。
2026-03-05 cs.AI cs.DB cs.IR
TabRAG: Improving Tabular Document Question Answering for Retrieval Augmented Generation via Structured Representations
Imperial College London（帝国理工学院）
TabRAG通过结构化表示改进表格文档问答，采用布局分割和视觉语言模型解析，提升表格问答性能。
2026-01-31 cs.AI cs.CL cs.CV
TaCube: Pre-computing Data Cubes for Answering Numerical-Reasoning Questions over Tabular Data
现有的自回归预训练语言模型（PLM），如T5和BART，已分别被EQUEDSKG和TAPEX很好地应用于表格问答，并在多个基准测试中展示了最先进的结果。然而，自回归PLM的挑战，最近出现的数值推理数据集，如TAT-QA，由于容易出错的隐式计算。在本文中，我们提出了TaCube，预先计算聚合/算术结果的表，使他们方便，随时可供PLM回答数值推理问题。TaCube系统而全面地涵盖了表段上的计算操作集合。通过简单地将TaCube连接到PLM的输入序列，它显示出显着的实验有效性。TaCube将TAT-QA的F1分数从49.6%提升到66.2%，并在WikiTQ上获得了最新的结果（59.6%的表示准确率）。TaCube在数值推理案例上的改进更为显著：在TAT-QA上，TaCube将BART-large的精确匹配准确率提高了39.6%，平均52.5%，减法36.6%，除法22.2%。我们相信TaCube是一个通用的、可移植的预计算解决方案，可以潜在地集成到各种数值推理框架中
2022-05-25 cs.IR
SmartInt: Using Mined Attribute Dependencies to Integrate Fragmented Web Databases
许多网络数据库可以被视为提供关于世界上实体的部分和重叠的信息。为了有效地回答查询，我们需要整合关于分散在多个源中的各个实体的信息。乍一看，这只是传统数据库规范化问题的逆-而不是从通用关系到规范化表，我们希望重建给定表（源）的通用关系。重建实体的标准方法包括连接表。不幸的是，由于源是以自治和分散的方式填充的，它们通常没有主键码-外键关系。虽然表可以共享属性，但这些共享属性上的朴素连接可能会导致重建许多虚假实体，从而严重影响精度。我们的系统，\smartint \的目的是解决在这种情况下的数据集成的问题。对于给定的查询，系统使用近似函数分解（AFD）将相关表拼接成一棵树来回答，生成的结果元组能够在查准率和查全率之间取得良好的平衡。
2011-01-31 cs.DB cs.IR
Is Table Retrieval a Solved Problem? Exploring Join-Aware Multi-Table Retrieval
MIT（麻省理工学院）；AWS AI Labs（亚马逊云科技人工智能实验室）
针对多表问答中检索需考虑隐式连接计划的问题，提出基于混合整数规划的连接感知重排序方法，同时建模表-查询与表-表相关性，显著提升表检索和端到端QA性能。
2025-01-09 cs.AI cs.CL cs.IR
NormTab: Improving Symbolic Reasoning in LLMs Through Tabular Data Normalization
University of Alberta（阿尔伯塔大学）
本文提出 NormTab 框架，通过将表格规范化作为独立的预处理步骤，有效解决了网络表格结构差异与不一致问题，显著提升了 LLM 在 WikiTableQuestion 和 TabFact 数据集上的符号推理性能。
2025-04-02 cs.AI cs.CL cs.DB
Bew: Towards Answering Business-Entity-Related Web Questions
Stony Brook University（石溪大学）；Microsoft Research（微软研究院）
我们提出BewQA，专门设计来回答一类问题，我们称之为Bew问题的系统。Bew问题与餐馆、酒店和电影院等企业/服务有关;例如，“欢乐时光到几点？".这些问题很难回答，因为答案是在开放域Web中找到的，以没有周围上下文的短句形式存在，并且由于网页信息可以频繁更新，因此是动态的。在这些条件下，现有的QA系统表现不佳。我们提出了一个实用的方法，称为BewQA，可以回答Bew查询挖掘模板的业务相关的网页，并使用模板来指导搜索。我们展示了如何利用聚合器网站自动提取模板，这些网站聚合了域中有关业务实体的信息（例如，餐馆）。我们通过从提取的模板中识别最有可能包含答案的部分来回答给定的问题。通过这样做，即使答案跨度没有足够的上下文，我们也可以提取答案。重要的是，BewQA不需要任何培训。我们众包了一个新的数据集，包含1066个Bew问题和餐厅领域的地面真相答案。与最先进的QA模型相比，BewQA在F1分数上提高了27%。与商业搜索引擎相比，BewQA正确回答的Bew问题多出29%。
2020-12-10 cs.CL cs.IR
Fine-Grained Table Retrieval Through the Lens of Complex Queries
University of Amsterdam（阿姆斯特丹大学）；UC Berkeley（加州大学伯克利分校）；Google（谷歌）；CWI（荷兰信息与人工智能研究所）
本文提出DCTR机制，通过细粒度类型查询分解和全局连接感知，提升复杂场景下表格检索的效率与鲁棒性。
2026-03-07 cs.AI cs.CL cs.DB
DataFactory: Collaborative Multi-Agent Framework for Advanced Table Question Answering
Institute of Systems Engineering, Academy of Military Sciences（系统工程研究所，军事科学院）；School of Information Resource Management, Renmin University of China（信息资源管理学院，中国人民大学）
DataFactory通过多智能体协作框架提升表格问答的准确性和鲁棒性，采用ReAct范式和自动知识转换，显著提高查询精度和多跳推理能力。
2026-03-10 cs.AI cs.DB cs.IR
