Wiki-TabNER:Advancing Table Interpretation Through Named Entity Recognition

本文分析了一个被广泛使用的表格解释（TI）任务评估基准数据集，特别关注实体链接任务。我们的分析揭示了该数据集过于简化，可能降低了其对全面评估的有效性，并未准确地呈现表格在现实世界中的样子。为了克服这一缺点，我们构建和注释了一个新的更具挑战性的数据集。除了介绍新数据集外，我们还引入了一个旨在解决实体链接任务的新问题：单元格内的命名实体识别。最后，我们提出了一个提示框架，用于评估新开发的大型语言模型（LLM）在这个新的TI任务上的表现。我们在各种设置下对提示LLM进行实验，其中我们使用随机和基于相似性的选择来选择呈现给模型的示例。我们的消融研究帮助我们了解少量样例的影响。此外，我们进行了定性分析，以了解模型遇到的挑战和了解所提出数据集的限制。

本论文旨在分析和改进表格解释任务中的实体链接，提出了一个新的更具挑战性的数据集，并引入了一个名为单元格内命名实体识别的新问题。

论文提出了一个新的更具挑战性的数据集，用于评估表格解释任务的实体链接。同时，引入了一个名为单元格内命名实体识别的新问题。

论文对当前用于评估表格解释任务的数据集进行了分析，发现其过于简化，提出了一个新的更具挑战性的数据集，同时引入了一个名为单元格内命名实体识别的新问题。论文提出了一个提示框架，用于评估新开发的大型语言模型（LLMs）在这个新的任务上的表现。实验使用了随机和基于相似性的选择来选择呈现给模型的示例，进行了消融实验和定性分析。

在表格解释任务领域，最近的相关研究包括“TableQA: Table Question Answering by Semantic Parsing with Contextual Knowledge”，“TabFact: A Large-scale Dataset for Table-based Fact Verification”，“Dual Graph Attention Networks for Deep Latent Representation of Multifaceted Social Effects in Recommender Systems”等。