文章主要内容与创新点总结
一、主要内容
- 数据集构建：提出Sheetpedia，一个包含超29万张独特工作表（源自32.4万+工作簿）的大规模电子表格语料库。数据来源涵盖企业邮件档案（Enron数据集）、网络语料库（Fuse数据集）及Excel论坛爬取内容，经格式标准化、语言过滤（78%+为英文内容）、去重（剔除48%近重复项）等严格预处理流程，确保数据质量与多样性，覆盖金融模型、库存清单、学术数据等多个领域。
- 任务定义：设计两个新型电子表格理解任务——自然语言到语义范围（NL2SR）和自然语言到公式（NL2Formula）。前者需将自然语言查询映射到电子表格中正确的单元格范围，后者要求根据自然语言描述生成有效的Excel公式，模拟实际使用场景中的数据查询与计算需求。
- 数据生成与模型微调：采用拒绝采样策略生成高质量训练数据，通过LLM生成候选内容后，由专用判断模型筛选有效样本；基于Sheetpedia对主流大语言模型进行微调，对比LoRA微调与全参数微调效果，并设置零样本、少样本基线模型进行性能评估。
- 实验结果：微调后的模型在NL2SR任务中准确率高达97.5%，在NL2Formula任务中准确率达71.7%，显著优于GPT-4o等基线模型，验证了领域专用语料库对提升任务性能的关键作用。
二、创新点
- 大规模高质量语料库填补空白：Sheetp
