基于WikiSQL进行监督式微调的TAPAS基础模型

该模型有两个可用版本。默认版本对应原GitHub仓库中的tapas_wikisql_sqa_inter_masklm_base_reset检查点。该模型先经过MLM预训练及作者称为"中间预训练"的附加步骤，随后在SQA和WikiSQL数据集上进行了链式微调。其采用相对位置嵌入（即在表格每个单元格重置位置索引）。

另一个（非默认）可用版本是：

• no_reset版本，对应tapas_wikisql_sqa_inter_masklm_base（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，本说明卡由Hugging Face团队及贡献者编写。

模型描述

TAPAS是类似BERT的Transformer模型，通过自监督方式在维基百科英文表格数据上预训练。这意味着它仅通过原始表格及关联文本进行预训练，无需人工标注（因此可利用大量公开数据），通过自动流程从文本生成输入与标签。具体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，随机遮蔽15%词汇后通过模型，预测被遮蔽词汇。与传统RNN逐词处理或GPT等自回归模型不同，该方法使模型能学习表格及关联文本的双向表征。
• 中间预训练：为增强表格数值推理能力，作者额外使用数百万合成训练样例进行预训练。模型需判断句子是否被表格内容支持或反驳，训练样例包含合成陈述与反事实陈述。

通过这种方式，模型学习到表格及相关英语文本的内部表征，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，在SQA和WikiSQL上联合训练这些随机初始化的分类头与基础模型。

应用场景与限制

本模型适用于基于表格的问答任务。代码示例请参阅HuggingFace官网TAPAS文档。

训练流程

预处理

文本经小写转换和WordPiece分词（词表量30,000）。模型输入格式为：

[CLS]问题[SEP]扁平化表格[SEP]

作者先将WikiSQL数据集通过自动脚本转换为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。此配置下微调耗时约10小时，使用Adam优化器（学习率6.17164e-5，预热比例0.1424）。详见论文表11-12。

文献引用

@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/abs-1709-00103,
  author    = {Victor Zhong and
               Caiming Xiong and
               Richard Socher},
  title     = {Seq2SQL: Generating Structured Queries from Natural Language using
               Reinforcement Learning},
  journal   = {CoRR},
  volume    = {abs/1709.00103},
  year      = {2017},
  url       = {http://arxiv.org/abs/1709.00103},
  archivePrefix = {arXiv},
  eprint    = {1709.00103},
  timestamp = {Mon, 13 Aug 2018 16:48:41 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1709-00103.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}