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，且对终端用户来说学习曲线较为陡峭，因此从自然语言生成可用于OpenStreetMap（OSM）的可执行结构化查询仍然是一项具有挑战性的任务。虽然通过示范上下文来引导大型语言模型（LLMs）是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token预算这一关键限制。这种疏忽往往导致过高的推理成本，并忽略了上下文选择的组合性质，从而使得性能不佳。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，我们首先介绍了OsmNL，这是一个通过人工干预流程精心策划的基准测试，用于消除先前数据集中的对齐噪声。在此基础上，我们将构建最优示范上下文的问题定义为Budgeted Example Subset Mining（BESM）问题。我们将BESM视为一个NP难优化问题，该问题允许使用次模目标函数，在语义相关性与结构多样性之间进行平衡。利用这一特性，我们提出了TACO（令词-用境-优化），这是一个原理性框架，它实现了一系列具有预算意识的算法，以在近似保证和计算效率之间进行权衡。在OsmNL上进行的广泛实验表明，TACO建立了新的最佳实践，与强大的基准相比，它提高了准确性，并将token消耗减少了50%以上，从而为大规模地理空间查询接口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）

此摘要是通过自动化工具生成的，并非由文章作者编写或审核的。它旨在帮助发现内容、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本文的工作。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。完整文章才是权威版本。点击此处了解更多关于ACM AI摘要的信息。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。