대규모 언어 모델(LLM)이 표 형식 질의 응답(TQA) 분야에서 주목받고 있지만, LLM이 복잡한 표 구조를 제대로 파악하지 못해 전체 표를 긴 텍스트로 입력하면 오답을 내는 경우가 많다. 본 논문에서는 복잡한 표 헤더를 포함하여 수동 식별 없이 TQA를 수행하는 셀 추출 방법을 제안한다. 언어 모델과 TF-IDF를 통합한 하이브리드 검색 메커니즘을 통해 주어진 질문과 개별 셀 간의 유사도를 계산하여 표 헤더를 추정하고, 가장 관련성이 높은 행과 열의 교차점에 있는 셀을 정답으로 선택한다. 또한, 성능 향상을 위해 소규모 질문-헤더 쌍 데이터 세트에 대한 대조 학습을 통해 언어 모델을 훈련시킨다. NTCIR-18 U4 공유 작업의 TQA 데이터 세트에서 제안된 방법을 평가한 결과, 정확도 74.6%를 달성하여 GPT-4o mini(63.9%)와 같은 기존 LLM보다 뛰어난 성능을 보였다.
