💬 NLP

Orthogonal Hierarchical Decomposition for Structure-Aware Table Understanding with Large Language Models

本文提出了正交层级分解（Orthogonal Hierarchical Decomposition, OHD）框架，该框架利用正交树归纳方法将复杂表格分解为列树和行树以保留结构层级，从而显著增强了大语言模型理解和推理不规则表格布局的能力。

原作者： Bin Cao, Huixian Lu, Chenwen Ma, Ting Wang, Ruizhe Li, Jing Fan

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Bin Cao, Huixian Lu, Chenwen Ma, Ting Wang, Ruizhe Li, Jing Fan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

问题所在：“平地论”错误

想象一下，你正在向一位从未见过家谱的朋友解释一个复杂的家族树。如果你只是按从上到下的顺序读出一个名单（就像读购物清单一样），你的朋友会感到迷失。他们不知道谁是祖父，谁是叔叔，或者哪一个分支属于哪一边。

这就是大语言模型（LLM）在阅读复杂表格时发生的情况。

问题在于： 现实世界的表格（如财务报告或科学数据）是非常杂乱的。它们有跨列的表头、合并在一起的单元格，以及嵌套在其他信息中的信息。
旧方法： 现有的 AI 方法通常试图将这些表格“扁平化”。它们把二维网格变成一条长长的、笔直的文本线（就像一句话）。
结果： 当 AI 扁平化表格时，它会丢失“家族树”的逻辑。它可能会认为某个数字属于错误的类别，因为视觉线索（比如单元格所处的位置）与文本顺序不匹配。这就像是在读一本章节被随机打乱的小说；故事完全失去了逻辑。

解决方案：“正交分解”框架

作者提出了一种名为 OHD（正交分层分解） 的新方法。与其将表格扁平化成混乱的一行，不如将其分解为两个独立的、清晰的“树”协同工作。

不要把复杂的表格看作一个单一的网格，而要把它看作两张独立的地图：

列树（Column Tree）： 一张关于垂直表头如何相互关联的地图。
行树（Row Tree）： 一张关于水平表头如何相互关联的地图。

通过分离这两个方向，AI 可以在不被混乱布局干扰的情况下理解结构。

它是如何工作的：三个步骤

1. 构建树结构（正交树归纳）

想象你是一名试图弄清公司层级结构的侦探。

规则： 你观察表格并询问：“这个单元格是‘老板’（表头）还是‘员工’（数据）？”
神奇之处： AI 使用了一种特殊的规则，称为**“空间-语义协同作用”（Spatial-Semantic Synergy）**。它不仅看单元格在哪里（几何结构），还会阅读单元格的内容（语义）。
- 类比： 如果一个表头写着“2007年详情”，并且它物理位置上位于一个“2016”表头之下，一个简单的机器人可能会认为它们是相关的。但 OHD AI 会阅读文本，意识到“2007”和“2016”是不同的年份，从而判定：“不，尽管它们挨在一起，但它们并不相关。”它构建了两棵独立的树：一棵用于行，一棵用于列，确保在进行下一步之前逻辑是完美的。

2. 重新连接点位（双路径关联）

现在，既然 AI 已经构建了行树和列树，它需要讲述一个特定数据点（例如某个特定的金额）的故事。

方法： 它通过沿着两条不同的路径为每个数字创建一个句子：
- 路径 A（前提）： “这个数字位于‘销售额’列下……”
- 路径 B（属性）： “……而该列位于‘第三季度’行中……”
结果： 它将这些路径结合起来，说：“在‘第三季度’行的‘销售额’列中，数值为 500 美元。”这确保了 AI 准确知道这个数字在复杂结构中的确切来源。

3. 裁判（语义仲裁）

有时，两条路径（行树和列树）讲述故事的方式可能会略有不同。

角色： AI 会请来一位“裁判”（大语言模型）来审视这两个版本的叙述。
决策： 裁判会选择最清晰、最符合逻辑的版本呈现给用户。它就像一名编辑，确保最终的故事易于理解且没有矛盾。

为什么这很重要（结果）

作者在两个充满杂乱、复杂表格的困难数据集（AITQA 和 HiTab）上测试了这种新方法。

结果： OHD 一贯优于目前的最佳方法。
类比： 如果说其他方法像是试图用一张 3D 建筑物的扁平地图来进行导航（其中 2 楼被压在了 1 楼上面），那么 OHD 就像是给了 AI 一个建筑物的 3D 模型。它清楚地知道哪一层是哪一层，以及房间是如何连接的。
具体胜利： 在一个测试案例中，其他方法被隐藏在“2016”表头下的“2007”详情所迷惑，并给出了错误答案。OHD 正确识别出它们是独立的，计算出了正确答案，并避开了这个陷阱。

总结

这篇论文介绍了一种教 AI 如何阅读杂乱复杂表格的方法：通过将它们**“解开”**成两个逻辑树（行和列），而不是将它们挤压成一条线。通过尊重原始结构并使用“裁判”来选择最佳解释，AI 终于可以在不迷失方向的情况下理解复杂的数据。

技术摘要：面向大语言模型结构感知型表格理解的正交层级分解技术

1. 问题陈述

科学报告、财务报表和商业智能中常见的复杂表格往往偏离了标准的 $N \times M$ 网格。这些结构给大语言模型（LLM）带来了两个主要挑战：

结构层级性： 多级嵌套表头要求数据单元格必须能够通过一系列祖先标签进行语义溯源。缺乏这种上下文，孤立的条目（例如“其他城市”）会变得模棱两可。
空间-逻辑不连续性： 不规则的合并单元格和偏移表头破坏了标准的网格索引。空间邻近性不再保证逻辑关联，导致传统的基于坐标的扫描失效（例如，将“详情”行误认为是“年份”列的子项，仅因其垂直对齐）。

现有方法通常依赖于扁平化线性化（丢失了层级依赖）、程序化建模（难以处理非规范布局）或逻辑拓扑重建（通常依赖于忽略语义细微差别的几何启发式方法）。这些方法经常导致结构坍塌，或导致结构语义与文本表示之间的失配。

2. 方法论：正交层级分解 (OHD)

作者提出了正交层级分解 (Orthogonal Hierarchical Decomposition, OHD) 框架，该框架将范式从全局网格建模转向将表格分解为独立的、语义同步的层级结构。该流水线由三个核心阶段组成：

A. 正交树归纳 (OTI)

核心算法将表格分解为两棵独立的树：列树 ( $T_{col}$ ) 和 行树 ( $T_{row}$ )。这种解耦隔离了结构噪声，并通过分别重建每个维度的逻辑层级来处理不规则布局。归纳过程由语义-空间协同作用引导：

语义代理 (Semantic Agency)： 在 $T_{col}$ 中，仅列标题作为内部分支节点；行标题和数据单元格被视为原子叶节点。在 $T_{row}$ 中，角色则相反。
语义-空间包含 (Semantic-Spatial Subsumption)： 只有当子节点在空间上被包含在父节点的边界框内，且大语言模型（LLM）确认存在逻辑包含关系（例如类别继承）时，才建立父子边。这作为一个神经-符号桥梁，用以修正几何歧义。
结构单向性 (Structural Unidirectionality)： 数据单元格是没有任何向下分支的终端节点，从而防止脚注或备注在数值下方产生伪嵌套。
自适应数据锚定 (Adaptive Data Anchoring)： 为了解决数据单元格位于冲突表头的重叠边界上的冲突问题，该框架使用行边界约束来自适应地分配正确的父表头。

B. 双路径关联

一旦归纳出 $T_{col}$ 和 $T_{row}$ ，框架便利用双路径协议重建每个单元格的语义谱系。对于任何数据单元格 $d$ ：

前提上下文 (Premise Context)： 通过在主树（如 $T_{col}$ ）上进行深度优先搜索 (DFS) 生成通往 $d$ 的表头路径。
属性上下文 (Attribute Context)： 通过对正交树（如 $T_{row}$ ）进行自底向上的遍历来捕获结构属性。框架查询主树以找到对应维度的表头，通过交织这些路径来恢复多维坐标。
综合 (Synthesis)： 最终表示遵循“前提上下文 $\to$ 属性上下文 $\to$ 数值”的结构，从两个维度对称地重建谱系。

C. 语义仲裁

由于 $T_{col}$ 和 $T_{row}$ 提供的是互补视角，框架使用 LLM 作为语义仲裁者。它评估合成的候选序列在逻辑连贯性、信息完整性和句法可读性方面的表现。通过零样本提示，LLM 选择最清晰的视角或融合两者，以生成高保真、具备结构感知能力的文本代理，从而为下游推理做好准备。

3. 核心贡献

OHD 框架： 一种全新的范式，将复杂表格分解为正交层级树，有效缓解了非标准布局中的结构坍塌问题。
正交树归纳 (OTI)： 一种结合了空间-语义协同约束的算法，用于确定逻辑关系，显著提高了针对灵活表头和合并单元格的鲁棒性。
双路径关联： 一种重建多层语义谱系的协议，通过保留垂直和水平依赖关系，使 LLM 能够对异构结构进行忠实的推理。

4. 实验结果

该框架在两个复杂的表格问答基准测试上进行了评估：AITQA（财务/统计表格）和 HiTab（需要多跳推理的层级表格）。

性能： OHD 在多种 LLM 后端（Qwen2-72B, TableLLaMA-7B, DeepSeek-V3）上一致优于现有的先进基准方法（包括 Chain-of-Table, E5 和 ST-RAPTOR）。
- 在使用 Qwen2-72B 的 AITQA 上，OHD 实现了 69.34 的精确匹配 (EM)，超过最强基准 (ST-RAPTOR) 8.76 个百分点。
- 在 HiTab 子集上，OHD 实现了 64.74 的 EM，比基准提高了 9.01 个百分点。
- LLM Eval Avg.（语义准确度）显示出更显著的提升，OHD 在 AITQA 上达到了 89.12（比 ST-RAPTOR 高出 18.09）。
消融实验：
- 去除语义约束 ( $w/o\ C_{semantic}$ ) 导致性能下降约 6%，证实了 LLM 驱动的语义验证的必要性。
- 去除其中一条正交路径 ( $w/o\ TP$ ) 导致性能大幅下降（在 AITQA 上高达 20%），验证了双轴重建的需求。
- 将双路径表示替换为标准的 Markdown/HTML 线性化后，EM 损失超过 10%，证明了层级路径表示的优越性。
鲁棒性： OHD 随着表格规模的增加展现出卓越的韧性。当从小型表格转向大型表格时，像 Chain-of-Table 这样的基准方法性能下降了约 19 点，而 OHD 的下降幅度很小（约 7 点）。

5. 重要性与主张

本文声称 OHD 成功弥合了复杂二维表格拓扑与 LLM 线性推理能力之间的鸿沟。通过将脆弱的物理布局转化为稳健的、具备结构感知的语义谱系，该框架解决了理解具有多级表头和合并单元格的表格这一持久挑战。

作者强调，双路径谱系表示是性能提升的核心驱动力，有效地防止了传统表示中常见的结构坍塌。他们将 OHD 定位为一种“即插即用”的架构，而非 LLM 的替代品，旨在补充并放大现代模型的推理能力。该研究表明，正交分解为实现多样化现实应用中细粒度且可靠的表格理解提供了一个有前景的方向，未来计划将该框架扩展到超大规模财务报告并集成多模态信号。