language: zh tags:

• tapas
• table-question-answering license: apache-2.0 datasets:
• wikitablequestions

基于WikiTable Questions (WTQ)微调的TAPAS小型模型

本模型提供两个可用版本。默认版本对应原GitHub仓库中的tapas_wtq_wikisql_sqa_inter_masklm_small_reset检查点。该模型先通过MLM及作者称为中间预训练的阶段进行预训练，随后在SQA、WikiSQL和WTQ上链式微调，采用相对位置嵌入（即在表格每个单元格重置位置索引）。

另一非默认版本为：

• no_reset，对应tapas_wtq_wikisql_sqa_inter_masklm_small（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说明卡片，故本卡片由Hugging Face团队及贡献者撰写。

性能结果

模型描述

TAPAS是一种类似BERT的Transformer模型，通过自监督方式在维基百科英文表格及关联文本的大规模语料上进行预训练。这意味着其预训练仅基于原始表格及文本，无需人工标注（因此可利用大量公开数据），通过自动流程生成输入与标签。具体而言，其预训练包含两个目标：

• 掩码语言建模（MLM）：将（扁平化的）表格及上下文输入中15%的词汇随机掩码后，模型需预测被掩码词汇。与传统RNN逐词处理或GPT类自回归模型不同，此方法使模型能学习表格及文本的双向表征。
• 中间预训练：为增强表格数值推理能力，作者基于数百万条合成训练样本构建平衡数据集，要求模型判断句子是否被表格内容支持或反驳。训练样本包含合成陈述与反事实陈述。

通过这种方式，模型学习了表格及关联文本中英语语言的内在表征，可用于下游任务特征提取，如表格问答或句子与表格内容的蕴涵判断。微调时在预训练模型基础上添加单元格选择头与聚合头，联合训练这些随机初始化的分类头与基础模型。

用途与限制

该模型适用于表格相关问答任务。代码示例详见HuggingFace官网TAPAS文档。

训练流程

预处理

文本经小写化处理，并使用30,000词表的WordPiece分词。模型输入格式为：

[CLS] 问题 [SEP] 扁平化表格 [SEP]

作者首先通过自动转换脚本将WTQ数据集转为SQA格式。

微调

模型在32个Cloud TPU v3核心上微调50,000步，最大序列长度512，批次大小512，耗时约10小时。使用Adam优化器（学习率1.93581e-5，预热比例0.128960）。通过TapasConfig的select_one_column参数添加归纳偏置，使模型仅选择同列单元格。详见论文表11-12。

引用文献

@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}
}

@article{DBLP:journals/corr/PasupatL15,
  author    = {Panupong Pasupat and
               Percy Liang},
  title     = {Compositional Semantic Parsing on Semi-Structured Tables},
  journal   = {CoRR},
  volume    = {abs/1508.00305},
  year      = {2015},
  url       = {http://arxiv.org/abs/1508.00305},
  archivePrefix = {arXiv},
  eprint    = {1508.00305},
  timestamp = {Mon, 13 Aug 2018 16:47:37 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/PasupatL15.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}