arXiv cs.CL· Jinxiang Xie, Zihao Li, Rui Ding, Bartuer Zhou, Shi Han, Dongmei Zhang·· 14 小时前AI 评分34
面向 LLM 智能体时代数据分析的可扩展文本分析语义原子
Semantic Atoms for Scalable Text Analysis in Data Analytics in the Era of LLM-Based Agents
AI 导读
研究者提出 TADA-Agent，用 Tagging 和 Categorization 两种查询驱动的语义原子处理文本列，原子在生成的 Python 程序内运行并自动处理超出可靠上下文窗口的输入。在包含 40 个完整分析请求的 TABench 上，其行级语义质量与语义算子基线相当，完整产物保留估计更高，语义模型请求数少一个数量级以上。
正文 · AI 翻译
摘要：数据分析所需的许多信息都埋藏在文本列中：分析师可能从投诉文本中推断出客户的挫败感，并用它来解释解决时间。我们将处理文本列是后续数据分析核心的工作负载称为 TADA（\emph{Text Analysis in Data Analytics}）。在智能体设置中，用户的查询会动态指定这一处理过程，而回答该查询需要将基于 LLM 的语义步骤与精确的 SQL 或 Python 操作交织进行。这种混合执行引出了两个设计问题：哪些工作应由神经网络完成，哪些应由符号操作完成；以及哪些语义输出可供后续步骤复用。我们针对智能体规划的 TADA 工作流，用两个互补的、由查询驱动的语义原子来解决这些问题。每个原子接收一个文本项序列和一个指定语义任务的自然语言查询：\textbf{Tagging} 为每个输入项返回一个字符串，而 \textbf{Categorization} 在 $N$ 个输入项上返回 $M$ 个类别对象。Tagging 的结果物化为一个行对齐的列，Categorization 的结果物化为一张类别表；随后由 SQL 或 Python 对这一暴露的状态执行精确计算。我们在 TADA-Agent 中实现了这一接口，其原子在生成的 Python 程序内运行，并在内部处理超出可靠上下文窗口的输入。我们在 TABench 上评估 TADA-Agent，该基准包含 40 个针对电子表格表格的完整分析请求，涵盖工作流组合、输入—输出结构和有文献依据的分析场景。与语义算子基线相比，并相对于一次留出的 TADA 参考运行，TADA-Agent 提供了相当的逐行语义质量，具有更高的完整产物保留估计，并且在所评估的原生执行路径下使用的语义模型请求少一个数量级以上。
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.34860 [cs.CL] |
| （或 arXiv:2610.34860v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.34860 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jinxiang Xie [查看电子邮件]
[v1]
2026年10月26日星期一 05:24:00 UTC（106 KB）
来源：arXiv cs.CL · arxiv.org