用大模型+图检索增强生成，从复杂IFC数据中自动提取建筑信息。
LLM-assisted Graph-RAG Information Extraction from IFC Data
- 结合大模型与图结构知识，解析复杂的IFC数据
- 无需复杂流程即可实现自然语言查询响应
- 适合建筑信息建模与智能查询系统开发者
IFC数据已成为建筑行业协同工作的通用建筑信息标准。然而，由于同一产品信息可有多种表示方式，IFC数据极为复杂。本研究利用大模型能力，结合图检索增强生成（Graph-RAG）技术，从IFC数据中抽取建筑对象属性及其关系。结果显示，尽管IFC数据层级复杂存在局限，但Graph-RAG通过引入基于图的知识，显著提升了GPT-4o等生成式大模型的解析能力，使用户能够无需复杂处理流程，直接通过自然语言进行信息查询与回答。
原文摘要 · Abstract (English)
IFC data has become the general building information standard for collaborative work in the construction industry. However, IFC data can be very complicated because it allows for multiple ways to represent the same product information. In this research, we utilise the capabilities of LLMs to parse the IFC data with Graph Retrieval-Augmented Generation (Graph-RAG) technique to retrieve building object properties and their relations. We will show that, despite limitations due to the complex hierarchy of the IFC data, the Graph-RAG parsing enhances generative LLMs like GPT-4o with graph-based knowledge, enabling natural language query-response retrieval without the need for a complex pipeline.
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。