TELLER：双路径迭代优化，提升表格实体链接准确率

在自然语言处理领域，表格实体链接任务旨在将表格中简短且含义模糊的单元格内容，准确匹配到知识库中的对应实体。传统方法通常依赖数据预处理流程，保留精简或完整的表格内容作为上下文证据，然后将实体链接转化为指令调优模型的语言生成任务。近期系统进一步引入显式推理机制来处理具有挑战性的歧义实体，但这些方法的训练监督往往是静态的：固定的偏好数据无法适应模型演化过程中的残留误差，而推理长度的变化又可能导致序列级偏好学习产生偏差。

针对这些局限，研究团队提出了TELLER框架。该框架首先检索并排序维基数据候选实体，在提示中保留精简的表格证据。其创新之处在于采用双路径迭代优化策略：直接答案路径应用迭代直接偏好优化，并利用更新模型产生的残留误差刷新偏好数据；推理路径则使用经过筛选和压缩的思维链推理进行监督微调，随后执行迭代长度归一化正则化偏好优化。

实验结果显示，在TableInstruct实体链接子集上，直接答案路径将准确率从94.35%提升至94.50%；在MammoTab V2评估集上，准确率从87.59%提高到88.20%。推理路径在TableInstruct上的准确率从92.90%提升至92.95%，在MammoTab V2上从79.09%显著提升至81.85%，同时保持了较高的完整推理生成率。这些成果表明，迭代偏好学习方法能够同时优化简洁实体预测和显式推理过程，为表格实体链接任务提供了新的有效解决方案。