语言: 中文 标签:

• tapas 许可证: apache-2.0 数据集:
• msr_sqa

基于顺序问答(SQA)微调的TAPAS微型模型

该模型有两个可用版本。默认版本对应原始Github仓库中的tapas_sqa_inter_masklm_tiny_reset检查点。该模型在MLM和作者称为中间预训练的阶段进行预训练，然后在SQA上微调。它使用相对位置嵌入（即在表格的每个单元格重置位置索引）。

另一个（非默认）可用版本是：

• no_reset，对应tapas_sqa_inter_masklm_tiny（中间预训练，绝对位置嵌入）。

免责声明：发布TAPAS的团队未为此模型编写模型卡，因此本模型卡由Hugging Face团队和贡献者编写。

SQA开发集准确率结果

模型描述

TAPAS是一种类似BERT的Transformer模型，基于维基百科英文表格数据通过自监督方式预训练。这意味着它仅通过原始表格及相关文本进行预训练，无需人工标注（因此可利用大量公开数据），并通过自动流程从文本生成输入和标签。具体而言，它通过两个目标进行预训练：

• 掩码语言建模(MLM)：给定一个（扁平化的）表格及相关上下文，模型随机掩码15%的输入词汇，然后将整个（部分掩码的）序列输入模型。模型需预测被掩码的词汇。这与传统RNN逐个处理词汇或GPT等自回归模型内部掩码未来标记不同，使模型能学习表格及相关文本的双向表征。
• 中间预训练：为增强表格数值推理能力，作者额外基于数百万条合成训练样本的平衡数据集进行预训练。模型需判断句子是否被表格内容支持或反驳，训练样本基于合成及反事实陈述生成。

通过这种方式，模型学习表格及相关英文文本的内部表征，可用于下游任务特征提取，如回答表格问题或判断句子是否被表格内容蕴含。微调时在预训练模型顶部添加单元格选择头，并与基础模型在SQA上联合训练该随机初始化的分类头。

预期用途与限制

该模型适用于对话场景下的表格问答任务。代码示例请参阅HuggingFace官网的TAPAS文档。

训练流程

预处理

文本经小写处理并使用30,000词汇量的WordPiece分词。模型输入格式为：

[CLS] 问题 [SEP] 扁平化表格 [SEP]

微调

模型在32个Cloud TPU v3核心上微调200,000步，最大序列长度512，批次大小128。此配置下微调耗时约20小时，使用学习率1.25e-5、预热比例0.2的Adam优化器。通过添加归纳偏置使模型仅选择同列单元格，这体现在TapasConfig的select_one_column参数中，详见原论文表12。

BibTeX引用信息

@misc{herzig2020tapas,
      title={TAPAS: Weakly Supervised Table Parsing via Pre-training}, 
      author={Jonathan Herzig and Paweł Krzysztof Nowak and Thomas Müller and Francesco Piccinno and Julian Martin Eisenschlos},
      year={2020},
      eprint={2004.02349},
      archivePrefix={arXiv},
      primaryClass={cs.IR}
}

@misc{eisenschlos2020understanding,
      title={Understanding tables with intermediate pre-training}, 
      author={Julian Martin Eisenschlos and Syrine Krichene and Thomas Müller},
      year={2020},
      eprint={2010.00571},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

@InProceedings{iyyer2017search-based,
author = {Iyyer, Mohit and Yih, Scott Wen-tau and Chang, Ming-Wei},
title = {Search-based Neural Structured Learning for Sequential Question Answering},
booktitle = {Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics},
year = {2017},
month = {July},
abstract = {Recent work in semantic parsing for question answering has focused on long and complicated questions, many of which would seem unnatural if asked in a normal conversation between two humans. In an effort to explore a conversational QA setting, we present a more realistic task: answering sequences of simple but inter-related questions. We collect a dataset of 6,066 question sequences that inquire about semi-structured tables from Wikipedia, with 17,553 question-answer pairs in total. To solve this sequential question answering task, we propose a novel dynamic neural semantic parsing framework trained using a weakly supervised reward-guided search. Our model effectively leverages the sequential context to outperform state-of-the-art QA systems that are designed to answer highly complex questions.},
publisher = {Association for Computational Linguistics},
url = {https://www.microsoft.com/en-us/research/publication/search-based-neural-structured-learning-sequential-question-answering/},
}