TTQA-RS- A break-down prompting approach for Multi-hop Table-Text Question Answering with Reasoning and Summarization

问答（QA）技术在表格和文本上的应用已经流行多年。多跳表格-文本QA需要在表格和文本之间进行多次跳转，因此是一项具有挑战性的QA任务。虽然有几项工作尝试解决表格-文本QA任务，但大多需要对模型进行训练并需要有标记的数据。本文提出了一种模型——TTQA-RS：一种基于分解提示的多跳表格-文本问答模型，具备推理和摘要功能。我们的模型使用了增强的知识，包括表格-文本摘要、分解的子问题和答案，用于推理型的表格-文本QA。使用开源语言模型，我们的模型在现有的表格-文本QA数据集（如HybridQA和OTT-QA的开发集）上表现优于所有现有的提示方法。我们的结果与基于训练的最先进模型相当，展示了使用开源LLMs的提示方法的潜力。此外，通过使用GPT-4和LLaMA3-70B，我们的模型在多跳表格-文本QA的提示方法上实现了最先进的性能。

本论文旨在解决多跳表格-文本问答的问题，提出了一种基于分解子问题、推理和摘要的分解提示方法（TTQA-RS），并通过使用开源语言模型取得了较好的表现。

TTQA-RS模型使用分解子问题、推理和摘要的分解提示方法，对多跳表格-文本问答进行求解。

该模型在HybridQA和OTT-QA数据集上都取得了较好的表现，使用GPT-4和LLaMA3-70B进一步提升了性能。此外，该模型无需依赖标注数据，使用开源语言模型进行训练，具有较好的通用性。

近期的相关研究包括基于训练的模型和基于提示的模型，例如GraftNet、TaBERT、TabFact等。