用大模型将自然语言转为精准联邦知识图谱查询
LLM-based SPARQL Query Generation from Natural Language over Federated Knowledge Graphs
- 结合知识图谱元数据与验证机制提升查询准确率
- 支持生物信息学领域跨源知识图谱查询生成
- 适合需要跨数据库检索的科研人员使用
我们提出一种基于检索增强生成（RAG）的系统，利用大语言模型（LLMs）将用户问题转化为生物信息学知识图谱上的精确联邦SPARQL查询。为提高查询生成的准确性并减少幻觉，系统引入知识图谱的元数据，包括查询示例和模式信息，并加入校验步骤以修正生成的查询。该系统已在线开放，访问地址为 chat.expasy.org。
原文摘要 · Abstract (English)
We introduce a Retrieval-Augmented Generation (RAG) system for translating user questions into accurate federated SPARQL queries over bioinformatics knowledge graphs (KGs) leveraging Large Language Models (LLMs). To enhance accuracy and reduce hallucinations in query generation, our system utilises metadata from the KGs, including query examples and schema information, and incorporates a validation step to correct generated queries. The system is available online at chat.expasy.org.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。