对话与数据的结合：一种用于高效链接数据检索的大型语言模型方法

《ACM Transactions on the Web》：Dialogue Meets Data: A Large Language Model Approach for Efficient Linked Data Retrieval

本文提出将大型语言模型（LLMs）集成至对话式用户界面，动态生成精准SPARQL查询，解决传统知识图谱查询系统因数据更新需频繁重训练的局限性，显著提升信息提取和响应准确率，验证LLMs在复杂RDF数据场景中的有效性。

　　

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

尽管大型语言模型（LLMs）因其语言处理能力而受到全球关注，但我们的工作利用了它们的力量来克服在查询链接数据（Linked Data, LD）和资源描述框架（Resource Description Framework, RDF）三元组存储库时遇到的传统障碍。本文提出了一个创新框架，将 LLMs 集成到对话式用户界面（conversational user interfaces, UIs）中，从而能够在无需频繁重新训练的情况下动态生成精确的 SPARQL 查询。大多数对话式 UI 模型在适应性方面存在不足，因为每当数据集更新或扩展时，它们都需要重新训练。这一限制阻碍了它们作为通用提取工具的有效性。为了解决这一挑战，我们的方法¹将 LLMs 无缝整合到对话式 UI 过程中，从而更深入地理解和解释用户查询，并提高整体响应速度。通过利用 LLMs 的先进自然语言处理能力，我们的方法改进了使用传统聊天机器人的 Web 系统中的 RDF 实体提取效果。此外，它还扩展了这些聊天机器人的功能，使它们能够根据 RDF 模式直接响应查询，同时提供一个辅助界面，加深对数据集及其所在领域的理解。这有助于提取更有意义的信息。采用这种方法后，交互变得更加精细和上下文敏感，这对于处理 RDF 数据集和链接开放数据（Linked Open Data, LOD）端点中常见的复杂查询结构至关重要。我们通过在实际环境中评估该工具处理复杂查询和回答一般生态学问题的能力来验证了这种方法的有效性，评估结果由人类专家进行评估。结果显示，系统在表达能力和响应准确性方面都有显著提升，展示了 LLMs 在信息检索领域的潜力。这些发现不仅证实了它们在改进现有系统方面的适应性，还为它们在专门的网络信息领域中的应用开辟了令人兴奋的可能性，为这一不断发展的领域未来的研究铺平了道路。

AI 摘要

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。