H2Table: Hierarchical Hypergraph-Enhanced Large Language Models for Complex Table Reasoning

📄 arXiv: 2609.01216v1 📥 PDF

作者: Jia Ling, Yangfan Wang, Chen Tang, Haoming Tan, Yang Yang, Yi Guan, Jingchi Jiang

分类: cs.AI

发布日期: 2026-09-01

🔗 代码/项目: GITHUB

💡 一句话要点

提出H2Table以解决复杂表格推理问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 复杂表格推理 层次超图 大型语言模型 信息传递 语义理解 结构嵌入 问答系统

📋 核心要点

  1. 现有方法通常将表格线性化为序列，无法有效利用其二维和层次结构，导致推理能力不足。
  2. H2Table通过将复杂表格表示为层次嵌套超图，设计了专门的超图编码器以增强信息传递和语义理解。
  3. 在HiTab数据集上，H2Table在高度复杂的表格问答任务中平均提升了22.88%，显示出显著的性能优势。

📝 摘要（中文）

表格在各个领域中普遍存在，但对其进行推理仍然是现代大型语言模型（LLMs）面临的重要挑战。目前的方法通常将表格线性化为序列，忽视了其内在的二维和层次结构。为此，本文提出了H2Table（层次超图增强表格推理），一种将复杂表格表示为层次嵌套超图的新框架。我们设计了一种专门的超图编码器，以促进超边（表头）和节点（单元格）之间的信息传递，从而感知它们在复杂表格中的语义蕴含关系。此外，我们引入了一组可学习的查询向量，作为轻量级桥梁，将编码器中的结构嵌入提取到LLM中。实验结果表明，我们的方法在处理具有层次嵌套表头的复杂表格问答任务时表现出色。在HiTab数据集上，H2Table在嵌套深度为四的高度复杂表格上，平均提升了22.88%相较于最先进的基线。我们的代码可在：https://github.com/lila120/h2table获取。

🔬 方法详解

问题定义：本文旨在解决复杂表格推理中的信息丢失问题，现有方法通过线性化处理表格，无法充分利用其层次和二维结构，导致推理效果不佳。

核心思路：H2Table的核心思路是将复杂表格表示为层次嵌套超图，通过超图编码器实现超边与节点之间的有效信息传递，从而更好地捕捉表格中的语义关系。

技术框架：H2Table的整体架构包括三个主要模块：超图构建模块、超图编码器和结构嵌入提取模块。超图构建模块将表格转换为超图结构，超图编码器负责信息传递，最后通过结构嵌入提取模块将信息传递到LLM中。

关键创新：H2Table的主要创新在于引入了层次嵌套超图的表示方式和专门的超图编码器，这与传统的线性化方法本质上不同，能够更好地处理复杂的表格结构。

关键设计：在设计中，超图编码器采用了特定的消息传递机制，以增强超边和节点之间的交互，同时引入可学习的查询向量作为桥梁，以有效提取结构嵌入。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在HiTab数据集上，H2Table在处理高度复杂的表格问答任务时，平均提升了22.88%，显著超越了现有最先进的基线。这一结果表明H2Table在复杂表格推理中的有效性和优势。

🎯 应用场景

H2Table的研究成果在多个领域具有广泛的应用潜力，包括数据分析、智能问答系统和信息检索等。通过更有效的表格推理能力，该方法可以帮助用户更快速地从复杂数据中提取有价值的信息，提升决策效率。未来，H2Table的框架也可以扩展到其他类型的结构化数据处理任务中。

📄 摘要（原文）

Tables are ubiquitous across diverse domains, yet reasoning over them remains a significant challenge for modern large language models (LLMs). Current approaches typically linearize tables into sequences, inherently overlooking their intrinsic two-dimensional and hierarchical structure. To address this, we propose H2Table (Hierarchical Hypergraph-Enhanced Table Reasoning), a novel framework that represents complex tables as hierarchical nested hypergraphs. To process this representation, we design a tailored hypergraph encoder to facilitate message passing between hyperedges (headers) and nodes (cells), thereby perceiving the semantic entailment relationships between them within complex tables. Furthermore, we introduce a set of learnable query vectors acting as a lightweight bridge to extract representative structural embeddings from the encoder into the LLM. Experimental results demonstrate that our approach effectively handles complex table question answering tasks with hierarchical nested headers. Notably, on the HiTab dataset, H2Table achieves an average improvement of 22.88% over state-of-the-art baselines on highly complex tables with a nesting depth of four. Our code is available at: https://github.com/lila120/h2table.