摘要

基于表格的推理在结合深度模型与离散推理方面取得了显著进展，这需要对自由形式的自然语言（NL）问题和结构化的表格数据进行推理。然而，先前的基于表格的推理解决方案通常在处理大规模证据（表格）时性能显著下降。此外，大多数现有方法在处理复杂问题时也面临困难，因为所需信息分散在不同的地方。为了解决上述挑战，我们利用大型语言模型（LLMs）作为分解器以实现有效的基于表格的推理，具体而言：(i) 将大规模证据（大表）分解为子证据（小表），以减少无用信息对表格推理的干扰；(ii) 将复杂问题分解为更简单的子问题，以便进行文本推理。具体来说，我们首先使用大型语言模型来拆分当前问题中涉及的证据（表格），保留相关证据并从大表中排除其余无关证据。此外，我们提出了一种“解析-执行-填充”策略，通过在每一步中解耦逻辑和数值计算来缓解思维链中的幻觉困境。大量实验表明，我们的方法能够有效利用分解后的证据和问题，并在TabFact、WikiTableQuestions和FetaQA数据集上超越了强大的基线模型。值得注意的是，我们的模型首次在TabFact数据集上超过了人类的表现。