Tabular-LLM

Tabular LLM：构建面向表格智能任务的大型语言模型

⭐⭐ 本项目基于Alpaca-CoT项目（一个多接口统一的轻量级LLM指令微调平台），目标是广泛收集开源的表格智能任务数据集（比如表格问答、表格-文本生成等），然后将【原始任务数据】整理为【指令微调格式的数据】并基于Alpaca-CoT项目微调相应的LLM，进而增强LLM对于表格数据的理解，最终构建出专门面向表格智能任务的大型语言模型。

我们目前正在整理学界现有的表格智能数据集，也非常欢迎您向我们提供任何尚未收集的表格相关任务的数据集，我们将努力统一它们的格式并开源训练好的模型。我们希望本项目能够助力开源社区复现并进一步增强ChatGPT的表格处理能力，同时也使研究者构建针对特定垂类领域的表格智能LLM时，有一个更好的数据和模型基础。

如果您对“表格+LLM”感兴趣，欢迎您加入本项目的微信群，和更多志同道合的研究者进行讨论交流。目前群聊人数超过200，需要好友邀请才能入群，可以扫码加我微信，拉您入群。本文档撰写过程中难免有所纰漏，欢迎大家随时提issue或者在微信群中指出项目中的错误，我们将及时进行订正，感谢大家的阅读！！！

为了方便研究者同时获取“开源LLM训练代码”+“表格数据”，本项目也迁移到了Alpaca-CoT项目下的tabular_llm分支，我们会尽力维护两个项目的同步更新。

⭐⭐ 我们也在维护一份持续更新的“LLM+表格”论文列表。

后续章节的主要内容如下：

• 第0节和第1节分别介绍项目提出的背景和动机。
• 第2节讨论表格的表示方法。
• 第3节介绍本项目在处理数据时使用的样本格式。
• 第4节给出处理好的指令微调数据的下载链接和开源的模型检查点。
• 第5节用于记录实验分析和经验总结。
• 第6节介绍本项目的未来计划。
• 第7节列举国内外现有的表格智能产品。
• 第8节介绍文档智能，另一种处理表格数据的思路。

News

• 2024.04.22：新增一批表格指令微调数据并对部分原始数据进行更新，主要变化包括 （1）指令泛化：每个数据集的指令模板显著增加，采用人工编写和GPT-4生成的方式为每个数据集（任务）生成20+指令模板，改善数据多样性。（2）新任务的数据：新增“表格-文本生成”任务的数据集（RotoWire和WikiBIO），新增表格基础结构理解任务的数据，比如表格尺寸识别、单元格提取等任务的数据。（3）增加JSON输出格式要求：对于有确定性答案的任务，比如表格问答，我们在指令中要求模型按照特定JSON格式输出最终答案，比如{‘answer’:“final_answer”}，便于正则表达式提取答案并计算正确率。（4）完善模型回复：某些工作基于公开数据集构建指令微调数据时，模型的输出可能只有一个短答案，不利于模型学习推理过程。我们则尽可能提供更加完整、贴近人类习惯的答案回复，比如某些数据集提供了中间计算过程（比如HiTab），我们就基于计算过程构建CoT（思维链），然后基于CoT和答案合成最终回复。
• 2023.05.05：项目公开。

0. 背景

以ChatGPT为代表的LLMs对NLP研究领域产生了巨大的冲击，表格智能研究方向也是如此。我们对ChatGPT处理表格的能力进行了初步调研，发现它至少支持以下表格智能任务：

（1）表格绘制：根据用户的自然语言描述，精确地生成Markdown格式的表格，如下图所示。

（2）表格修改：根据用户的要求对表格进行修改，比如增加和删除行列等，如下图所示。

(3) 表格问答：回答用户提出的关于表格的问题，比如“福建力佳公司生产的拖拉机的证书编号和型号分别是什么？”，这是一个陷阱问题，但ChatGPT依然给出了正确的回答，如下图所示。

(4) 文本-表格制作：基于一段文本，制作表格展示文本中的信息，如下图所示。

(5) 表格事实验证：用户给出一个陈述语句，验证表格内容对于该语句是支持、否定还是不相关，如下图所示。

(6) 表格-文本生成：生成一段分析和概括表格内容的文本，如下图所示。

1. 动机

虽然ChatGPT已经具备了不错的表格处理能力，但它也存在一些局限：

• 主要支持用Markdown格式表示的简单表格：ChatGPT、文心一言等大模型目前主要支持用Markdown格式表示的表格，第一行是列表头，其余行是数据，对于其他类型表格的支持相对较弱，尤其是包含合并单元格的表格。
• 在各项表格智能任务中的能力有待进一步增强：ChatGPT已经具备多项基本的表格处理能力，但其能力有待进一步增强，比如针对表格问答任务，ChatGPT能够回答简单的信息查找类问题（选择表格中的文本作为答案），但在回答复杂的数值推理类问题（基于表格中的数值进行多步数学计算）时经常出错。
• 与表格处理相关的训练数据并未开源：ChatGPT的训练数据并未开源。为了复现ChatGPT，开源社区目前也已经贡献了许多纯文本任务的宝贵训练数据，但表格智能任务的训练数据相对较少，缺乏统一的整理。

考虑到上述局限，我们提出Tabular-LLM项目，项目的核心计划如下：

1. 探索不同类型表格的表示方法：训练LLM势必需要将表格转化为一个文本序列，ChatGPT等LLM使用Markdown格式来表示简单表格，但这种方法无法很好地表示更复杂的表格，比如包含合并单元格的层级表格，因此我们需要探索如何（统一）表示不同类型的表格，更多讨论见下一节。
2. 收集并整理涵盖多种类型表格、多种表格智能任务的数据：考虑学界目前研究较多的表格智能任务，收集开源的数据集并将其转化为指令微调格式的数据，以便用户按需选择。
3. 开源表格智能LLM并进行测试分析：利用收集到的数据去微调Alpaca-CoT等模型，构建首批面向表格智能任务的开源LLM，在此基础上对训练好的模型进行测试分析，比如测试训练后的模型在学界测试数据集上的表现，后续将相关实验结果整理为文档，希望能为大家提供一些有用的经验。

2. 表格的表示方法

为了让LLM理解表格数据，我们需要将半结构化的表格转化为文本序列，这样才能送入模型进行学习，但一个关键问题是，我们应该采用什么方法来表示表格，才能更有利于模型的理解？

2.1 不同类型的表格

在现实应用中存在不同类型的表格，它们的结构各不相同，按照表头的分布位置，我们可以初步将表格分为以下4种类型，如下图所示：

• 垂直表格：第一行是列表头，其余行是沿垂直方向排布的数据，这是最基本的表格类型。
• 水平表格：第一列是行表头，其余列是沿水平方向排布的数据，比如维基百科经常使用水平表格记录人物信息。
• 层级表格：表头呈现出层级结构，表格中包含合并单元格，比如统计报告和学术论文经常使用层级表格来展示结果，有些层级表格的行表头和列表头可能都存在层级结构，需要同时考虑行列两个方向的表头来理解数据。
• 复杂表格：上述3种表格的表头只分布于表格的左方或者上方，而复杂表格的表头可以分布于表格的任意位置，尤其是表头的右下方区域，并可能与普通数据混合在一起，比如专业设备的文档中可能利用这类表格记录设备的基本信息、政府部门的登记表格、公司的面试申请表等也多为复杂表格。

2.2 启发式文本序列格式

和常见的预训练模型一样，学界现有的表格预训练模型同样可以分为判别式模型和生成式模型。

判别式表格预训练模型采用类似BERT的结构（Encoder），典型模型包括TAPAS、TableFormer、TABERT等，它们的目标是学习到好的表格表示来支持下游任务，包括单元格表示向量、列表示向量等。这类模型通常会在BERT原有嵌入层的基础上，通过引入额外的嵌入层来表示表格的结构，包括列ID嵌入、行ID嵌入等，比如TAPAS模型的嵌入层如下所示。

生成式表格预训练模型采用类似BART、T5的结构（Encoder-Decoder），典型模型为TAPEX，当然采用类似GPT的Decoder结构也是可以的，只是没人做hh，它们的目标是采用Seq2Seq的方式直接完成下游任务，比如直接回答关于表格的问题。这类模型在输入端需要采用某种启发式方法，将表格转化为一个文本序列，如下图所示，TAPEX模型需要将表格拉直为：[HEAD] 列表头1 | 列表头2 | … [ROW] 1 第一行第一列的单元格 | 第一行第二列的单元格 | … [ROW] 2 第二行第一列的单元格 | 第二行第二列的单元格 | … 。

2.3 Markdown格式

ChatGPT、文心一言等模型目前应该是采用Markdown格式来表示表格，使用 “|” 来分隔不同的单元格，使用 “-” 来分隔表头所在的第一行和其他行，如下所示。 可以发现，基于纯文本格式和Markdown格式的表示方法更适合表示结构较为简单的垂直表格或水平表格，无法很好地表示更复杂的表格结构，比如可能包含合并单元格的层级表格和复杂表格。

2.4 HTML格式

为了表示更复杂的表格结构，尤其是合并单元格，我们可以使用HTML格式来表示表格，每对【<tr>…</tr>】标签之间为表格的一行，每对 【<td>…</td>】 标签之间为一行中不同列的单元格，利用【rowspan=m, colspan=n】参数指定某个单元格可以占据m行n列，如下所示。除了能表示合并单元格，HTML还可以设定单元格对齐、单元格背景颜色等表格样式。

2.5 Latex格式

大家在写论文时也会用Latex代码来表示表格，同样可以支持合并单元格，文本对齐等格式，如下所示：

2.6 小结

需要注意的是，选择哪种表格表示方法可能还需要考虑底座LLM的代码能力和具体的应用场景。

• 底座LLM的代码能力：如果你的底座LLM模型具有较强的代码能力，那么选择HTML格式或者Latex格式表示表格可能更为合适，强大如GPT-4，直接给它提供HTML格式的表格，然后进行表格问答都是可以的。但如果你的底座LLM模型的代码理解能力较弱，那么可能更适合使用Markdown格式或者直接用某种启发式格式将表格拉直，目的是构建出更贴近自然语言的表格表示，降低模型学习的难度。

• 具体的应用场景：“LLM+具体行业应用场景”的结合已经屡见不鲜，由于不少行业会产生大量的表格数据，这也就带来了新的可能性：为某个具体行业甚至是具体软件“量身定制”一个表格智能LLM，从而给用户提供更友好便捷的表格处理方式。在这种情况下，我们或许只能让LLM“迁就”该行业或者该软件使用的特定表格表示方法，然后通过训练数据让LLM理解这种表示方法。

  以微软的Excel为例，其背后也会有一套表格表示方法以及操作表格的编程语言VBA，那么为了开发配合Excel使用的LLM，可能就需要收集相应格式的数据来训练LLM理解这种格式的表格和用户需求，然后让LLM直接生成回复或者生成反映用户需求的VBA代码，最后执行代码返回结果。比如，用户可能会输入用自然语言表示的需求“帮我把行表头对应单元格的字体加粗”或者“帮我在表格后面新增一列，计算B列和C列的差值”，表格智能LLM就需要理解Excel表格并生成VBA代码，最终执行代码返回更新后的表格。整体流程可能如下所示：

回到本项目，由于我们的主要目标是进行表格智能LLM的初步探索，我们更偏向于增强开源LLM的表格处理能力，尚未考虑落地到具体的应用场景，所以我们仿照ChatGPT，优先使用Markdown格式来表示不包含合并单元格的表格，利用HTML格式来表示包含合并单元格的表格，如果原数据集较难转为HTML格式，那么我们将合并单元格拆分为多个相同的子单元格，然后使用Markdown格式进行表示。（注：后续可能根据实验结果更换表格表示方法，比如统一使用HTML格式表示，我们会尽可能提供更多格式的数据供大家选择。）

3. 样本格式

3.1 新版本样本格式（2024-0422版本）

相比于老版本，新版本样本格式提供了更多信息，便于研究者根据自己的需求构建样本。

[
{
    'item_id': 样本id,
    'input': 输入字符串,包括任务指令和任务输入, # 对于一个数据集，通过构建多种指令模板确保输入内容的多样性，而不再是固定指令模板。
    'output': 输出字符串, # 模型输出，如果原始数据集提供了CoT过程，则输出中同样包含CoT。
    'table_rows': 表格单元格构成的嵌套列表,  # 每行单元格对应一个列表，各行再组成一个列表，形如 [[单元格1，单元格2],[单元格3，单元格4]]
    'table_title': 表格标题, # 如果原始数据集未提供表格标题，则该字段为空字符串。
    'table_repr': 表格对应的文本序列表示, # 比如Markdown格式、HTML格式的表格表示。
    'table_repr_type': 文本序列表示格式, # 比如Markdown、HTML。
    'ori_query': 原始样本对应的query, # 比如表格问答样本的原始问题、表格事实验证样本的原始陈述（statement）
    'answer_list': 答案列表, # 由原始答案组成的列表，便于计算准确率，评估模型效果。
    'table_type': 表格类型, # vertical:垂直表格; horizontal:水平表格; hierarchical:层级表格; complex:复杂表格 
    'task_type': 任务类型, # 比如TQA:表格问答, TFV:表格事实验证
    'dataset_name': 原始数据集名称, # 比如WikiSQL
}
]

3.2 老版本样本格式（2023-0508版本）

和Alpaca-CoT项目一样，我们将原数据集中的样本整理为统一的格式，如下所示：

[
{
    'instruction': 任务指令, # 不同的表格智能任务对应的指令可能不同
    'input': 输入字符串, # 基于问题、表格、表格标题等信息构造的格式化输入，
    			# 对于不同的数据集，input中包含的信息可能不同，比如Table-Text QA数据集的input中还包含与表格相关的文本段落。
			# 以表格问答为例，输入的构造方式为:
                        # input = f"Table:\n{markdown_table}\nTable title:\n{table_title}\nQuestion:\n{question_text}"
    'output': 输出字符串, # 模型输出
    'table_type': 表格类型, # vertical:垂直表格; horizontal:水平表格; hierarchical:层级表格; complex:复杂表格 
    'task_type': 任务类型, # 比如TQA:表格问答, TFV:表格事实验证
    'dataset': 原始数据集名称 # 比如WikiSQL
}
]

以WikiSQL数据集的一个样本为例，instruction为：

"""Please read the following table in Markdown format and then 
answer the question according to the table. Table cells in 
one row are seperated by '|', and different rows are seperated by '\n'."""

input为（print后的结果，为了节约空间对表格进行了删减）：

Table:
| Date | Visitor | Score | Home | Decision | Attendance | Record |
| --- | --- | --- | --- | --- | --- | --- |
| March 1 | Los Angeles | 2 – 5 | Colorado | Cloutier | 18007.0 | 26–36–4 |
| March 6 | Ottawa | 0 – 2 | Los Angeles | Ersberg | 17580.0 | 27–37–5 |
| March 8 | Montreal | 5 – 2 | Los Angeles | Ersberg | 18118.0 | 27–38–5 |
| March 10 | Vancouver | 2 – 1 | Los Angeles | Cloutier | 14653.0 | 27–38–6 |
| March 13 | Los Angeles | 4 – 1 | Nashville | Ersberg | 15853.0 | 28–38–6 |
| March 15 | Los Angeles | 0 – 2 | Minnesota | Ersberg | 18568.0 | 28–39–6 |
Question:
On the Date of March 13, who was the Home team?

output为：

"Nashvill"

4. 数据汇总

提示：新增一批数据并对部分老版本的数据进行了更新，新样本格式见3.1节，新样本的“更新时间”为“2024-0422”。不同任务的汇总数据和部分数据尚未更新，仍然为老版本（2023-0508）的数据。

在4.1中可以下载汇总后的数据和微调后的模型，在4.2至4.6中可以下载针对不同任务不同数据集的数据，数据文件都采用JSON格式。

“样本数量”代表本项目对原始数据集统一格式后获取到的样本的数量，未填代表待收集。“Markdown格式”和“HTML格式”代表数据使用的表格表示方法。我们遵照原始数据划分分开训练数据和测试数据，以备未来使用测试集测试模型效果（如果有验证集则默认合并至训练数据）。

4.1 下载

最近更新日期：2024-0422

不同任务的汇总数据：huggingface地址

基于不同数据进行微调得到的LoRA权重：huggingface地址

下载基于不同数据进行微调得到的LoRA权重，然后，在generate.py中将LoRA_Weights设置成下载路径，即可直接运行模型的inference以查看模型效果，更详细的模型训练与测试指南见Alpaca-CoT项目。

4.2 表格问答

4.3 表格事实验证

4.4 表格→文本生成

4.5 表格基础结构理解

现有工作表明，虽然LLM能够完成表格问答等高阶下游任务，但是LLM却可能无法完成基础的表格结构理解任务，比如判断出给定的表格有几行几列、提取出特定行列位置的单元格内容等。因此，我们构建一批表格基础结构理解任务的数据来评估模型究竟是否理解表格结构。

4.6 文本→表格绘制

5. 实验分析和经验总结

6. 未来计划

• 持续收集更多的表格智能任务数据集
• 对训练好的模型进行测试分析，总结经验供大家参考
• 构建一个在线demo

7. 现有的表格智能产品

本节列举一些国内外已有的表格智能产品，供研究人员参考，也欢迎大家随时补充。

8. 文档智能模型

本项目希望构建一个专门面向表格智能任务的LLM，即训练LLM来代替人类处理表格数据。读到这里你或许已经意识到，这种思路对表格的处理局限在了【文本模态】，即必须将表格用某种表示方法转化为文本，然后才能交给LLM进行处理。但在不少现实场景中，表格不是独立存在的，而是某个文档的一部分。这种情况下，将表格单独提取并转化为文本进行处理可能就不是一个很好的思路，因为这既可能丢失重要的视觉信息，比如表格中单元格的字体、颜色等，又不利于建模表格与文档中其他元素的关系，比如表格与其相关段落的关系。

针对上述场景，我们介绍另一种更宏大的从图像和文本两个模态处理表格的思路，即文档智能。文档智能是指模型自动阅读、 理解以及分析商业文档的过程，是自然语言处理和计算机视觉交叉领域的一个重要研究方向。如下图所示，文档中可能包含多种元素，包括文本、图片、表格等。

面对复杂多样的文档元素，文档智能模型需要理解文档图像中的信息并完成下游任务，比如文档信息抽取、文档视觉问答等，这其中当然包括回答关于文档中表格的问题，比如百度提出的Ernie-Layout文档智能模型就可以用于表格抽取问答，大家也可以在其demo里自己上传一个表格图片尝试一下。

在模型方面，研究人员已经提出了一系列通用文档预训练模型，如LayoutLM（v1，v2，v3）、LayoutXLM、Ernie-Layout等，它们通过在大规模文档图像上的预训练来增强模型对于文档的理解，具体的模型设计我们就不再赘述，大家可以参考这篇来自微软亚研的综述以及具体模型的论文。

回顾“表格智能LLM”和“文档智能模型”两种思路，两者的适用场景有交集，也有不同。前者更关注表格独立存在的场景，用于专门处理表格这一种元素，可以对表格进行修改、问答、生成文本描述等；后者更关注表格存在于文档中的场景，用于综合处理表格、文本、图片等多种元素构成的文档图像，可以基于文档图片提取表格信息、进行问答。大家在构建产品时，应该结合具体应用场景选择最合适的技术路线。