公开(公告)号：CN115563249A

公开(公告)日：2023-01-03

申请号：CN202211227233.6

申请日：2022-10-09

Applicant: 电子科技大学

Inventor： 陈思芹 ,  吴洁 ,  石微微 ,  侯磊 ,  张廷意 ,  侯孟书

IPC: G06F16/33 ,  G06F16/332 ,  G06F16/25 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于自然语言处理和信息检索技术领域，提供一种基于执行引导的面向开放领域问答的表格检索增强方法。首先使用检索器从表格语料库中初步筛选相关的表格得到表格池，然后对于表格池中各表格，使用深度学习的Text‑to‑SQL模型，结合问句和表格模式信息将问句转换为SQL等的标准化的逻辑形式，接下来在表格上执行SQL并判断执行结果是否发生错误，以此作为相关性依据融入新一轮相似性计算中。本发明在表格检索的过程中充分利用到了表格的模式信息，将执行的结果融入了检索相似性得分，有效提高了开放域问答过程中表格检索阶段的准确率。

公开(公告)号：CN115794871B

公开(公告)日：2025-05-23

申请号：CN202211563273.8

申请日：2022-12-07

Applicant: 电子科技大学

Inventor： 张廷意 ,  陈思芹 ,  侯磊 ,  吴洁 ,  廖建明 ,  侯孟书

IPC: G06F16/245 ,  G06F16/22 ,  G06N3/047 ,  G06N3/08

Abstract: 本发明属于自然语言处理、表格问答技术领域，尤其是涉及一种基于TaPas模型和图注意力网络的表格问答处理方法。本发明提出使用图注意力神经网络来利用和融合TAPAS预训练模型提取的特征向量。在wikiSQL数据集上的实验结果表明，使用图注意力网络的TAPAS模型的准确度为87.0％，超过仅使用两个全连接层时TAPAS模型的准确度。同时，TAPAS模型对输入的表格问题对的文本长度是有限的，一般为512个符号，这就导致了TAPAS无法处理较大的表格。本发明提出了一种预处理表格的方法，通过提取表格中与问题有关的列，来缩小表格的大小，称这样的预处理操作为快照。在对表格做了快照之后，本发明的模型在WIkiSQL上的准确度上升至89.8％。

公开(公告)号：CN115618004A

公开(公告)日：2023-01-17

申请号：CN202211402592.0

申请日：2022-11-10

Applicant: 电子科技大学

Inventor： 侯磊 ,  刘昱博 ,  宋元凤 ,  张廷意 ,  石微微 ,  陈思芹 ,  吴洁 ,  侯孟书

IPC: G06F16/35 ,  G06N20/00

Abstract: 本发明属于自然语言处理技术领域，尤其是涉及一种基于prompt的表格事实检测方法。本发明首次在表格事实检测任务上使用Prompt方法，在小样本或零样本情况下有效的提高判断效果。首先是将表格事实检测任务形式改造成和预训练表格模型一致，不需要在预训练模型的基础上做过多训练；其次是定义了一个多组的映射关系，可以方便的将prompt的预测结果转化为表格事实检测结果。

公开(公告)号：CN115563248A

公开(公告)日：2023-01-03

申请号：CN202211226678.2

申请日：2022-10-09

Applicant: 电子科技大学

Inventor： 陈思芹 ,  吴洁 ,  张廷意 ,  侯磊 ,  石微微 ,  侯孟书

IPC: G06F16/33 ,  G06F16/25 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于自然语言处理和问答任务领域，涉及一种基于Text‑to‑SQL的表格开放域问答方法。首先使用检索器从表格语料库中初步筛选相关的表格得到表格池，然后按相似性分数排序得到前top‑k表格作为后续的输入；在提取回答时使用深度学习的Text‑to‑SQL模型，结合问句和表格模式信息将问句转换为SQL等的标准化的逻辑形式，在表格上执行SQL并判断执行结果是否发生错误；并以此结果作为相关性依据之一回溯至表格重排序，融入新一轮相似性计算中。本发明利用了Text‑to‑SQL模型的执行结果作为表格检索的相似性排序依据，使得所检索的表格更为准确，进而提升了整个开放域问答的结果准确性。

公开(公告)号：CN115794871A

公开(公告)日：2023-03-14

申请号：CN202211563273.8

申请日：2022-12-07

Applicant: 电子科技大学

Inventor： 张廷意 ,  陈思芹 ,  侯磊 ,  吴洁 ,  廖建明 ,  侯孟书

IPC: G06F16/245 ,  G06F16/22 ,  G06N3/047 ,  G06N3/08

Abstract: 本发明属于自然语言处理、表格问答技术领域，尤其是涉及一种基于TaPas模型和图注意力网络的表格问答处理方法。本发明提出使用图注意力神经网络来利用和融合TAPAS预训练模型提取的特征向量。在wikiSQL数据集上的实验结果表明，使用图注意力网络的TAPAS模型的准确度为87.0％，超过仅使用两个全连接层时TAPAS模型的准确度。同时，TAPAS模型对输入的表格问题对的文本长度是有限的，一般为512个符号，这就导致了TAPAS无法处理较大的表格。本发明提出了一种预处理表格的方法，通过提取表格中与问题有关的列，来缩小表格的大小，称这样的预处理操作为快照。在对表格做了快照之后，本发明的模型在WIkiSQL上的准确度上升至89.8％。