TACO：一种基于令牌感知的上下文优化技术，用于生成结构化的OpenStreetMap查询

《Proceedings of the ACM on Management of Data》：TACO: Token-Aware Context Optimization for Structured OpenStreetMap Query Generation

　　```

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

由于OverpassQL的语法较为严格，且对最终用户而言学习曲线较陡，因此从自然语言生成适用于OpenStreetMap（OSM）的可执行结构化查询仍然是一项具有挑战性的任务。虽然通过示范情境引导大型语言模型（LLMs）可以提供一个有前景的解决方案，但现有的基于检索的方法通常忽略了令牌预算这一关键限制。这种疏忽往往导致推理成本过高，并忽略了情境选择的组合性质，从而导致性能不佳。此外，缺乏可靠的基准测试也阻碍了该领域的严格评估。

为了解决这些挑战，我们首先引入了OsmNL，这是一个通过人工干预流程精心策划的基准测试，用于解决先前数据集中的对齐问题。在此基础上，我们将构建最优示范情境的问题定义为预算示例子集挖掘（BESM）问题。我们将BESM视为一个NP难优化问题，它允许在语义相关性和结构多样性之间进行理论平衡。利用这一特性，我们提出了TACO（令牌-优化），这是一个原则性框架，它实现了一系列考虑预算的算法，以在近似保证和计算效率之间进行权衡。在OsmNL上的广泛实验表明，TACO建立了新的最佳实践，其准确性优于强大的基线模型，同时将令牌消耗减少了50%以上，从而为大规模地理空间查询界面提供了一种稳健且成本效益高的解决方案。

AI摘要

AI生成的摘要（实验性)

此摘要是使用自动化工具生成的，未经文章作者撰写或审阅。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。全文仍然是权威版本。点击这里了解更多关于ACM AI摘要的信息。

点击此处来评论此摘要的准确性、清晰度和有用性。您的反馈将有助于改进和未来的版本更新。

要查看此由AI生成的简单语言摘要，您必须具有高级访问权限。

```