语言: 英语 标签:

• 表格问答系统
• 表格解析 许可证: Apache-2.0 数据集:
• 维基表格问题集

基于维基表格问题(WTQ)微调的TAPAS大模型

本模型提供两个可用版本。默认版本对应原始GitHub仓库中的tapas_wtq_wikisql_sqa_inter_masklm_large_reset检查点。该模型先通过掩码语言建模(MLM)和作者称为"中间预训练"的额外步骤进行预训练，随后在SQA、WikiSQL和WTQ数据集上链式微调，采用相对位置嵌入（即在表格每个单元格重置位置索引）。

另一非默认可选版本为：

• no_reset：对应tapas_wtq_wikisql_sqa_inter_masklm_large（中间预训练，绝对位置嵌入）

免责声明：TAPAS发布团队未为此模型编写说明卡片，本卡片由Hugging Face团队及贡献者撰写。

性能表现

模型架构

TAPAS是基于BERT架构的Transformer模型，通过自监督方式在维基百科海量英文表格数据上预训练。其预训练阶段包含两大目标：

1. 掩码语言建模(MLM)：将（扁平化处理的）表格及相关文本中15%词汇随机掩码，模型需预测被掩码内容。与传统RNN逐词处理或GPT类自回归模型不同，该方法使模型能学习表格与文本的双向表征。

2. 中间预训练：为增强表格数值推理能力，作者构建了包含数百万合成训练样本的平衡数据集。模型需判断陈述是否被表格内容支持/反驳，这些样本包含真实陈述与反事实陈述。

通过这种预训练，模型掌握了表格及相关英语文本的内部表征，可应用于下游任务如表格问答或陈述验证。微调时在预训练模型顶部添加单元格选择头和聚合头，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

本模型适用于表格相关的问答任务。具体代码示例参见HuggingFace官网TAPAS文档。

训练流程

数据预处理

文本经小写处理和WordPiece分词（词表量30,000），输入格式为：

[CLS]问题[SEP]扁平化表格[SEP]

作者先将WTQ数据集自动转换为SQA格式。

微调细节

在32个Cloud TPU v3核心上训练50,000步，最大序列长度512，批大小512（约10小时完成）。使用Adam优化器（学习率1.93581e-5，预热比例0.128960）。通过设置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）。

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/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}
}