Q&A on Any Spreadsheet Requires Interpreting Its Grid Structure· LLM 驱动的表格问答框架
Semantic cell annotation improves chunking interpretability for spreadsheets in LLM-driven RAG systems, aiding answer generation through enriched context rather than improved retrieval accuracy. We propose a novel framework of splitting any spreadsheet into interpretable chunks using cell role annotation. Our framework beats the state of the art, yet it faces a hard ceiling. Spreadsheets are fundamentally two-dimensional unstructured data with continuous relationships and infinite potential cell roles. Because classification models are restricted to finite, pre-defined classes, they cannot perfectly capture this structural nuance, even with human-level annotation. We show that addressing the spreadsheet-to-LLM bottleneck requires moving beyond discrete cell classification. Instead, the fie
LLM 驱动的表格问答框架通过语义单元格注释改善了表格切分的可解释性。
- 核心方法
- 提出了一种基于单元格角色注释的新框架，将表格切分为可解释的块，以提供更丰富的上下文信息，增强答案生成的质量。
- 适合谁读
- 研究者 / 工程师
- 要解决的问题
- 现有 LLM 驱动的表格问答系统在处理表格时，无法有效解释表格的网格结构，导致生成的答案质量不高。
- 关键实验
- 通过多个表格数据集验证了新框架的有效性，但在某些复杂关系上的表现仍有局限。
- 主要贡献
- 该框架在性能上优于现有方法，但同时指出了单元格分类模型在处理表格结构上的局限性。
- 意义与局限
- 该研究改善了 LLM 驱动的表格问答系统的可解释性和答案质量，但提示了未来研究需要超越现有的离散单元格分类方法。