ASTRA: Adaptive Semantic Tree Reasoning Architecture for Complex Table Question Answering

本文提出了 ASTRA 架构，通过 AdaSTR 模块将表格重构为逻辑语义树以捕捉层级依赖，并结合 DuTR 双模式推理框架融合文本导航与符号执行，从而在复杂表格问答任务中实现了最先进的性能。

要点

这篇论文介绍了一个名为 ASTRA 的新系统，它的任务是帮助人工智能（AI）像人类专家一样，从复杂的大表格中找出正确答案。

为了让你更容易理解，我们可以把处理表格的过程想象成整理一个巨大的、混乱的仓库。

1. 核心问题：为什么现在的 AI 看不懂复杂表格？

想象一下，你有一个超级聪明的图书管理员（这就是现在的大语言模型 LLM），它读过很多书，很擅长回答问题。但是，当它面对一个复杂的表格时，它就像被扔进了一个没有路标、没有货架、货物乱堆的仓库：

• 结构被忽视（Structural Neglect）： 表格里的表头是分层的（比如“大类别”下面分“小类别”），但 AI 往往只看成一排排平铺的文字，忽略了它们之间的父子关系。
• 表达有隔阂（Representation Gap）： 表格是二维的（有行有列），但 AI 习惯读一维的长句子。把二维表格强行变成一维文字，就像把一张地图强行揉成一条线，AI 很容易迷路，找不到具体数据在哪。
• 算数不靠谱（Reasoning Opacity）： 让 AI 直接心算表格里的数字，它经常算错，而且你不知道它是怎么算出来的，像个黑盒子。
• 死板不灵活（Schema Inflexibility）： 现实中的表格千奇百怪，有的合并了单元格，有的格式很怪。以前的方法太死板，遇到怪表格就崩溃。

2. ASTRA 的解决方案：两个超级助手

为了解决这些问题，作者设计了 ASTRA，它由两个核心模块组成，我们可以把它们想象成仓库里的两个超级助手：

助手 A：AdaSTR（智能整理员）

它的任务：把乱糟糟的仓库整理成清晰的“逻辑树”。

• 以前： 别人只是把表格里的字按顺序抄下来（序列化），像把书里的字拆散了念给你听。
• 现在（AdaSTR）： 这个助手利用 AI 的“全局视野”，把表格重新构建成一棵语义树（Semantic Tree）。
  • 比喻： 想象表格里的数据不是散乱的砖块，而是一棵大树。树根是总标题，树枝是分类（如“电子产品”），树叶是具体的商品（如“笔记本电脑”）。
  • 自适应机制： 如果表格很小，它就快速整理；如果表格巨大且文字很多，它就用“地址索引”的方式（只记坐标，不记全文），节省空间。
  • 自我检查： 整理完后，它还会自己检查一遍，确保没有漏掉任何数据，也没有把父子关系搞错。

助手 B：DuTR（双模式推理专家）

它的任务：根据问题，选择最聪明的方法去找答案。

拿到整理好的“树”之后，DuTR 会根据问题的类型，灵活切换两种模式：

1. 文本导航模式（像寻宝游戏）：

   • 适用场景： 问“哪个产品销量最好？”或者“描述一下这个分类”。
   • 做法： 它在“树”上像探险家一样，顺着树枝往下找，把相关的文字片段拼凑起来，形成自然流畅的回答。这就像在图书馆里根据索书号找到书，然后阅读内容。

2. 符号代码模式（像精密计算器）：

   • 适用场景： 问“所有产品的总销售额是多少？”或者“平均价格是多少？”。
   • 做法： 这时候光靠“读”容易算错。DuTR 会把树转换成代码（比如 Python 代码），让计算机去执行精确的加减乘除。
   • 比喻： 就像你不想心算 100 个数字的总和，于是你写了一个小程序让电脑算，这样绝对准确，而且每一步都有据可查。

最终决策： 如果两个助手给出的答案不一样，ASTRA 还会请一个“裁判”（一个小模型）来对比原始表格，选出最靠谱的那个。

3. 为什么 ASTRA 这么厉害？（核心优势）

• 看得清结构： 它不再把表格当作文本流，而是真正理解了表格的“家族谱系”（谁是谁的孩子，谁是谁的兄弟）。
• 算得准： 遇到计算题，它绝不瞎猜，而是写代码让机器算，杜绝了 AI 常见的“数学幻觉”。
• 适应性强： 不管表格是简单的还是像迷宫一样复杂的，它都能自动调整策略，把表格“翻译”成 AI 能听懂的语言。

4. 总结

简单来说，ASTRA 就是给 AI 配了一副**“结构眼镜”和一个“计算器”**。

• 以前的 AI 看表格是“雾里看花”，容易看错行、算错数。
• 现在的 ASTRA 先把表格整理成一棵逻辑清晰的树（AdaSTR），然后根据需要，要么像侦探一样去读树（文本推理），要么像程序员一样写代码算树（符号推理）（DuTR）。

实验证明，这套方法在处理复杂的表格问答时，效果超过了目前最顶尖的 AI 模型，而且答案更准确、更可信。这就好比从“凭感觉猜”进化到了“有图有真相、有账可查”的专业分析师水平。

技术摘要

ASTRA：复杂表格问答的自适应语义树推理架构技术总结

1. 研究背景与核心问题

大型语言模型（LLM）在处理复杂表格问答（TableQA）任务时面临显著瓶颈，主要源于**表格序列化（Table Serialization）**的不足。现有的序列化方法在处理具有层级表头、合并单元格和复杂布局的表格时，存在以下四大挑战：

1. 结构忽视（Structural Neglect）： 现有方法（如 Markdown/HTML 序列化或三元组）往往忽略表格中隐含的层级关系和语义依赖，导致 LLM 无法理解复杂的表头结构。
2. 表征鸿沟（Representation Gap）： 二维表格结构与 LLM 擅长的一维序列输入之间存在模态不匹配，阻碍了对细粒度证据的精准定位。
3. 推理不透明（Reasoning Opacity）： 直接让 LLM 进行数值计算常导致“黑盒”式的幻觉（Hallucination），缺乏可验证的执行轨迹。
4. 模式僵化（Schema Inflexibility）： 基于规则或固定模式的解析方法难以适应现实世界中形态各异、非结构化的复杂表格，泛化能力差。

2. 方法论：ASTRA 架构

为了解决上述问题，作者提出了 ASTRA (Adaptive Semantic Tree Reasoning Architecture)，该架构包含两个核心模块：AdaSTR（自适应语义树重建）和 DuTR（双模式树推理）。

2.1 AdaSTR：自适应语义树重建

AdaSTR 利用 LLM 的全局语义感知能力，将原始复杂表格重构为逻辑语义树（Logical Semantic Trees）。其流程包括三个关键阶段：

• 语义解析与模式检测：
  • 表头归一化（HIN）： 将分散的垂直依赖表头合并为具有完整语义的键（例如将 "Yukon" 和 "Percent" 合并为 "Yukon-Percent"）。
  • 层级识别（HID）： 利用 LLM 挖掘隐藏的语义组（Semantic Groups），将数据单元组织成显式的层级结构（如：类别 -> 子类别 -> 属性）。
• 自适应树合成策略： 针对不同规模和密度的表格，动态选择三种构建模式以平衡效率与精度：
  • 直接语义解析 (DSP)： 适用于中等规模表格，直接生成完整语义树。
  • 符号引用编码 (SRE)： 适用于文本密集型表格（如财务报告），使用坐标占位符（如 "C7"）代替冗长文本，减少 Token 消耗，后续通过脚本填充。
  • 程序化结构合成 (PSS)： 适用于超大规模表格，生成循环脚本以迭代实例化树结构，避免 Token 溢出。
• 评估器引导的 refinement 循环： 引入评估器检查树的结构完整性（路径一致性）和信息覆盖率（无数据遗漏）。若未达标，LLM 会根据反馈迭代修正树结构。

2.2 DuTR：双模式树推理

基于构建好的语义树，DuTR 采用文本 - 符号混合推理范式：

• 自适应树导航（文本推理）： 根据查询类型动态选择遍历策略（自底向上 Leaf-to-Root 或自顶向下 Root-to-Leaf）。
  • Leaf-to-Root： 适合聚合查询，从相关叶子节点向上扩展上下文。
  • Root-to-Leaf： 适合查找类查询，利用语义引导快速定位特定路径。
  • 该过程将碎片化的单元格转化为富含上下文的节点流，增强语义检索能力。
• 符号树操作（符号推理）： 将语义树抽象为结构化骨架（去除冗长值），生成可执行的 Python 代码（如 Pandas 操作）进行精确的数值计算和逻辑验证。
  • 包含自修正循环（Self-Correction Loop）：若代码执行出错，将错误反馈给 LLM 进行代码再生。
• 自适应答案选择： 结合文本推理和符号推理的结果，利用轻量级 LLM 作为选择器，根据原始表格验证并输出最终答案。

3. 主要贡献

1. 问题定义与需求提炼： 系统性地识别了复杂 TableQA 的四大瓶颈，并提出了有效序列化策略的四个关键需求（显式层级、表征对齐、符号兼容、模式灵活）。
2. 提出 ASTRA 框架：
   • 设计了 AdaSTR，通过 LLM 驱动的自适应机制，将复杂表格转化为富含语义层级的树结构。
   • 设计了 DuTR，创新性地融合了基于树搜索的文本导航和基于代码执行的符号推理，兼顾语义灵活性与计算精确性。
3. 性能突破： 在多个基准测试中实现了 SOTA（State-of-the-Art）性能，证明了显式层级和语义上下文对于释放 LLM 推理潜力的重要性。

4. 实验结果

作者在 AIT-QA（航空业复杂表格）、HiTab（层级表格数值聚合）和 SSTQA（半结构化表格）三个基准上进行了评估。

• 整体性能： ASTRA 在 HiTab 上达到 90.1% 的准确率，超越了 OpenAI o3 (85.3%) 和其他基线模型。
• 双模式优势：
  • 在语义密集型任务（SSTQA）中，文本推理表现更佳（79.8%）。
  • 在数值聚合任务（HiTab）中，符号推理表现卓越（89.3%），有效避免了数值幻觉。
  • 自适应选择机制结合两者优势，取得了最佳综合效果。
• 消融实验：
  • 移除评估器引导循环导致覆盖率显著下降，证明了质量反馈的重要性。
  • 移除自适应合成策略导致大规模表格处理失败，证明了多模式策略的必要性。
  • 即使不使用高级推理，仅使用语义树表示（Semantic Tree）也比原始表格序列化（Textual Serialization）提升了约 7.35% 的准确率。
• 效率分析： 虽然树构建需要离线时间，但通过 PSS 模式优化，其在线推理效率优于 ST-Raptor，且在多轮问答场景下 amortized 效率更优。

5. 意义与结论

ASTRA 的核心贡献在于重新定义了表格到 LLM 的输入范式。它证明了：

1. 显式层级的重要性： 仅仅将表格线性化是不够的，必须通过语义树显式恢复表格的层级结构和语义依赖。
2. 混合推理的必要性： 单一文本推理难以处理精确计算，单一符号推理难以处理模糊语义。ASTRA 通过“语义树”这一中间表示，成功统一了文本检索的灵活性和代码执行的精确性。
3. 通用性与鲁棒性： 该方法无需针对特定表格进行微调（Training-free），即可在多种不规则表格格式上展现出强大的泛化能力，为复杂表格理解提供了新的技术路径。

局限性： 对于极简单的扁平表格，树重构可能带来不必要的计算开销；此外，当前方法主要依赖文本和结构解析，尚未充分利用表格中的视觉线索（如颜色、字体加粗）来辅助语义理解。