这一章我们聊聊大模型表格理解任务，在大模型时代主要出现在包含表格的RAG任务，以及表格操作数据抽取文本对比等任务中。这一章先聊单一的文本模态，我们分别介绍微调和基于Prompt的两种方案。
这一章我们聊聊大模型表格理解任务，在大模型时代主要出现在包含表格的RAG任务，以及表格操作数据抽取文本对比等任务中。这一章先聊单一的文本模态，既你已经通过OCR或者多模态等方式从PDF或者图片中获取了表格的文本数据。和前文相同，我们分别介绍微调和基于Prompt的两种方案。
Prompt LLM
首先我们介绍基于Prompt的方案，核心节约表格问答和推理中的两个问题：表格太大或包含的信息散落各处，问题复杂涉及到多步推理。如何使用prompt让模型在表格任务上更好进行COT，Dater和Chain-of-Table给出了方案，二者有前后关系，Dater在前。
而针对Prompt设计，表格推理还要解决表格数据如何输入prompt，推理效果更好的问题，这里微软的Table Meets LLM也做了实验尝试。
Dater
- Large Language Models are Versatile Decomposers: Decompose Evidence and Questions for Table-based Reasoning
Dater的整体流程包含三个步骤：表格分解，问题分解，和合并推理。论文使用了GPT3 Codex作为模型。
Evidence Decomposer
第一步是证据拆解，从原始表格数据中，抽取和问题相关的数据，这里Dater使用行号和列号来表示相关的数据。以下使用Few-Shot Prompt来引导模型预测哪些Cell(row, index)和提问相关并返回。之后直接使用行号和列号从原始的表格中抽取出问题相关的数据，构建成更小更聚合的新的表格。
Question Decomposer
第二步是问题拆解，论文提出如果直接使用COT进行推理，在表格问题上很容易出现幻觉，所以论文提出了"Parsing-execution-filling"的方案，其实和ReACT，Self-ASK，IRCOT的思路是一样的，不过是适配到了表格任务上。
首先基于以下Few-Shot Prompt把原始问题拆解成子问题。这里需要注意的是，子问题不会直接使用表格中的数据进行回答，而是会把涉及数值答案的部分用{}进行掩码。
其次会基于以下few-shot prompt把子问题转化成SQL语句，这在TableQA的任务范式中较为常见，很多经典方案都是把TableQA转化成了NL2SQL的问题进行解决。
这里的表格数据只使用了原始的表格转化成了文本格式，并没有加入更多表格行，列相关Schema的数据，其实相比真实场景做了简化，这部分Schema和NL2SQL任务相似，可以参考解密Prompt系列15. LLM Agent之数据库应用设计
Jointly Reasoning
第三步是把前两步得到的sub-evidence和sub-questions(sql)合并在一起，同样是使用few-shot prompt进行推理。以下prompt是TableNLI任务，也就是基于表格数据判断描述是对还是错。效果我们放到后面的论文里一起说。
Chain-of-Table
- Chain-of-Table: Evolving Tables in the Reasoning Chain for Table Understanding
谷歌提出的Chain-of-Table在Dater的基础上加入了更多，更灵活的表格操作。整个任务同样分成三个主要步骤：动态规划，参数推理和最终结果。整个过程中通过大模型多步规划和参数生成，对表格进行变换操作，直到输出最终变换后表格，并推理出最终的结果。
Dynamic Planning
动态规划是模型基于当前表格状态，历史表格操作，和用户提问，推理生成新的表格操作函数。对比Dater只通过选择CELL来缩小表格范围，这里Chain-of-Table利用大模型In-Context Function calling的能力，定义了可以灵活扩展的几个表格操作函数，以下为不同functino的解码参数和few-shot数量，其中f_select_row + f_select_column其实就对应上面Dater的表格操作。
动态规划部分prompt包括：以上每个函数的few-shot sample和函数描述，经过多步操作后当前的表格状态，问题和历史的Function chain。模型推理是下一步的操作function，或者END结束如下
Argument Generation
这里论文其实是把Function Call拆成了两步，分别是使用哪个操作，以及操作的入参。所以这一步是基于上面推理的操作函数，推理该函数的入参
参数生成的prompt包括：和规划prompt相同的表格状态，规划生成的操作函数，和每个操作的few-shot sample。这里不同的操作Function的推理格式会有差异，例如f_add_column，除了需要推理增加的列，还需要同时给出列的取值。再例如f_select_columns存在多列选择，因此使用*等正则表达式来支持可变参数列表。以下分别为f_add_column, 和f_select_column的few-shot demos
Final Query
经过一步或者多步上面的动态规划生成函数+参数生成生成入参，会使用该函数对表格进行多步操作，最后得到的表格用于问题回答。回答部分同样是few-shot prompt如下，基于多步操作得到的最终的表格和提问进行回答。
效果上对比Dater，使用不同的基座模型，Chain-of-Table在Wiki TQ和TabFact等表格理解任务上均有一定的提升。并且在不同大小的表格数据上也都有显著的提升。
Table Meets LLM
- Table Meets LLM: Can Large Language Models Understand Structured Table Data? A Benchmark and Empirical Study
微软这篇论文主要实验并回答了两个问题
- LLM对结构化数据的理解能力究竟如何
- 对于表格类的任务Prompt应该咋写，包括表格的格式，内容的顺序，角色描描述和分割符对最终推理效果的影响有多少
首先论文把表格理解任务拆分成了多个可以定量评估的子任务，相比直接评估表格问答能力，以下子任务的评估更加简单直接，包括：
- Table Partition：检测模型能否识别表格的边界，例如表格的首位字符
- Table Size Detection：检测模型能否正确解析结构化数据，例如有几行几列
- Merged Cell Detection：检测模型能否识别出合并表格结构
- Cell Lookup & Reverse Lookup：检测模型能否正确抽取指出value对应cell的位置，或者某位置cell的取值
- Column & Row Retrieval：检测模型能否正确抽取出某行，某列的所有取值
基于上述的7个子任务，论文首先对比了不同的表格数据表征形式的效果差异。这里论文实验了包括JSON，3种不同的标记语言markdonw，XML，HTML，以及在众多表格任务中常见的使用“|”分隔符直接分割表的NL+Sep模式。上面的Dater和Chain of Table就是NL+Sep。以下为子任务的对比结果
以上实验数据不难得到两个结论
- 标记语言包括markdown，XML，HTML的效果是显著优于NL+SEP的
- 在众多标记语言中HTML来表征表格的效果是最好的
之前在看新加坡Prompt大赛冠军秘籍时就发现，prompt中不同内容的分割符，和结构化数据例如标签，表格等数据使用XML，HTML等标记语言进行表征，效果是显著更好的，例如使用XML表征分类标签在我们的任务上分类的结果更稳定，模型更不容易在分类前后给你瞎逼逼。再例如用HTML表征表格，模型定位到具体数值的准确率也会更高。
之后论文以HTML作为基准，进一步对其他prompt细节进行了测试，如下
以上消融实验比较明显的结论也有两个
- w/o 1-shot: one-shot相当重要，模型理解结构化表格数据很大程度上依赖于one-shot，去掉one-shot准确率直接掉了30%
- w/o change order顺序很重要，把问题和描述放到表格后面会带来6.8%的效果下降，可能因为模型可以基于描述和问题有针对性的理解后面的表格数据
- 其他表格格式描述，分割符之类的影响较低，可能是因为HTML类标记文本本身已经有很好的结构化表征
论文还提出了self-augmented prompt，个人感觉略微缺乏针对性一些，感兴趣的朋友自己去看细节吧~
微调
除了以上利用GPT的Prompt方案，我们再介绍两个微调方案：Table Llama和TableLLM
Table Llama
- TableLlama: Towards Open Large Generalist Models for Tables
Table Llama是很典型的垂直领域微调方案。论文设计了TableInstruct微调数据集，筛选了总共包括14个表格数据集的总共11类任务。其中训练集选择8个数据集和8类任务，测试集为6个数据集和4类任务，来检测模型在样本外任务类型上的泛化效果。数据集和任务分布如下
微调数据的构成就是Instruction+Input+Quesiton为输入，Response为输出。这里论文使用了NL+SEP来表征表格数据，并加入了表格任务的描述。考虑表格数据的长度往往超过4K，这里选用LongLora微调后的7B模型为基座，
效果上分别看下样本内和样本外任务上的效果提升，这里Base使用了LongLora微调后的7B，以及对比了GPT3.5和GPT4（采样了部分样本）。在样本内任务上TableLlama能超越GPT4,在样本外任务上TableLlama相比Base有显著提升，但部分任务效果不及GPT4
TableLLM
- TableLLM: Enabling Tabular Data Manipulation by LLMs in Real Office Usage Scenarios
- https://github.com/RUCKBReasoning/TableLLM
TableLLM论文做了以下的用户调研，更充分地了解了用户对于表格任务究竟有哪些真实需求。除了前面Table Llama涵盖的TableQA，Table Extraction，Dialogue，Fact Verfication等传统Table2Text任务之外，还包含了更多操作类任务，例如表格匹配，表格绘图。
整体上论文把表格数据涉及到的操作类型分成了Query，Update，Merge和Chart四大类，这四种操作在不同类型的表格数据上侧重不同，在纯表格数据上四种操作类型都会有，更接近现在众多ChatBI在做的方向，更多是code-driven。而在文本中内嵌的表格数据上query查询是主要操作，更多用于像RAG的场景，依赖纯文本的理解推理。
基于上面的两大类表格数据和四种操作类型，TableLLM说自己使用了远程监督构建了微调数据集，其实就是传统的Table，SQL数据集上用大模型构建了新的推理和回答作为样本。数据集构成包含三个主要部分
- TableQA Benchmark：包括了WikiTQ,FetaQA, TAT-QA数据集，论文使用GPT3.5在原始训练数据（question， answer）的基础上补充了推理过程，并使用CtitiqueLLM来对推理过程进行打分，只保留打分高的样本。这部分样本主要用来提升模型在文本中内嵌表格数据的文本推理能力。
- Text2SQL Benchamrk：包括了WikiSQL和Spider数据集，论文使用了DeepSeek把原始的Text2SQL转换成了pandas代码，并基于最终代码计算结果的一致性来判断DeepSeek构建的答案是否正确，只保留结果一致的样本。这部分样本主要用来提升模型在纯表格数据上的代码推理能力
- 纯模型生成样本：为了补充更多update，merge，chart操作的数据。论文从WikiTALM，TAT-QA，FeTaQA和GitTable中采样了部分样本，使用GPT3.5生成了新的单表操作和多表操作的问题。之后使用GPT3.5来基于表格和问题进行回答，这里为了提高模型生成结果的准确性，会使用GPT3.5分别从coding和文本两个方向进行推理回答，并使用CritiqueLLM来判断两个答案的一致性。
之后基于上面构建的样本，针对不同的数据和操作，论文使用了不同的prompt来构建指令微调样本，在CodeLlama-7B和13B模型上进行了微调。整个数据构建和微调prompt如下
这里主要是看下上面表格数据构建的流程，效果对比就不说了因为部分数据集这里加入了训练集，而上面的Table Llama则放到了OOB测试集，不能直接对比。
想看更全的大模型相关论文梳理·微调及预训练数据和框架·AIGC应用，移步Github >> DecryPrompt