两篇新的研究论文介绍了一种新的表格问答（TableQA）框架，通过利用图推理和结构化经验来改进表格问答。第一篇论文 SkillTGR 通过将表格表示为属性图并使用分层 SkillBank 来提炼和重用推理模式，解决了现有方法在处理复杂操作时遇到的局限性。第二篇论文 SEGRA 专注于企业 IT 支持知识图谱，开发了一个代理，通过集成意图路由、模式接地和可重用技能库，将自然语言问题转换为 Gremlin 查询。这两种方法都旨在提高复杂表格问答任务的准确性和效率。 AI
影响 结构化推理和技能复用方面的这些进步可能带来更准确、更高效的复杂数据分析和企业知识管理人工智能系统。
排序理由 两篇在 arXiv 上发表的学术论文，介绍了表格问答的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.22633v1 Announce Type: new Abstract: Table Question Answering (TableQA) aims to reason over tables to answer user queries. Existing research treats all questions uniformly and evaluates solely through overall accuracy, obscuring a critical reality that LLMs excel at si…
arXiv:2607.22713v1 Announce Type: new Abstract: Enterprise IT support knowledge graphs capture rich relationships among cases, users, devices, symptoms, taxonomic categories, root causes, and historical resolutions. Yet querying them in Gremlin requires knowledge of graph schemas…