論文の概要: InteracSPARQL: An Interactive System for SPARQL Query Refinement Using Natural Language Explanations

• arxiv url: http://arxiv.org/abs/2511.02002v1
• Date: Mon, 03 Nov 2025 19:15:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.660963
• Title: InteracSPARQL: An Interactive System for SPARQL Query Refinement Using Natural Language Explanations
• Title（参考訳）: InteracSPARQL:自然言語説明を用いたSPARQLクエリリファインメントのインタラクティブシステム
• Authors: Xiangru Jian, Zhengyuan Dong, M. Tamer Özsu,
• Abstract要約: InteracSPARQLはインタラクティブなSPARQLクエリ生成と改善システムである。 ユーザは直接フィードバックやLLM駆動の自己リファインメントを通じて、クエリをインタラクティブに洗練することができる。 我々は、標準ベンチマークでInteracSPARQLを評価し、ベースラインアプローチと比較してクエリ精度、説明明快さ、全体的なユーザ満足度を大幅に改善した。
• 参考スコア（独自算出の注目度）: 8.464973032764446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, querying semantic web data using SPARQL has remained challenging, especially for non-expert users, due to the language's complex syntax and the prerequisite of understanding intricate data structures. To address these challenges, we propose InteracSPARQL, an interactive SPARQL query generation and refinement system that leverages natural language explanations (NLEs) to enhance user comprehension and facilitate iterative query refinement. InteracSPARQL integrates LLMs with a rule-based approach to first produce structured explanations directly from SPARQL abstract syntax trees (ASTs), followed by LLM-based linguistic refinements. Users can interactively refine queries through direct feedback or LLM-driven self-refinement, enabling the correction of ambiguous or incorrect query components in real time. We evaluate InteracSPARQL on standard benchmarks, demonstrating significant improvements in query accuracy, explanation clarity, and overall user satisfaction compared to baseline approaches. Our experiments further highlight the effectiveness of combining rule-based methods with LLM-driven refinements to create more accessible and robust SPARQL interfaces.
• Abstract（参考訳）: 近年,SPARQLを用いたセマンティックWebデータのクエリは,言語の複雑な構文と複雑なデータ構造を理解するための前提条件のため,特に専門家でないユーザにとっては,依然として困難である。 これらの課題に対処するため,対話型SPARQLクエリ生成・改善システムであるInteracSPARQLを提案する。 InteracSPARQLは、SPARQL抽象構文木(AST)から直接構造化された説明を生成するためのルールベースのアプローチとLLMを統合する。 ユーザは直接フィードバックやLLM駆動の自己リファインメントを通じてクエリをインタラクティブに洗練することができ、不明瞭なクエリコンポーネントや不正なクエリコンポーネントをリアルタイムで修正することができる。 我々は、標準ベンチマークでInteracSPARQLを評価し、ベースラインアプローチと比較してクエリ精度、説明明快さ、全体的なユーザ満足度を大幅に改善した。 我々の実験は、ルールベースのメソッドとLLM駆動の洗練を組み合わせ、よりアクセシブルでロバストなSPARQLインターフェースを作成することの有効性をさらに強調した。

関連論文リスト

• FIRESPARQL: A LLM-based Framework for SPARQL Query Generation over Scholarly Knowledge Graphs [0.5120567378386615]
  我々は、RAGとSPARQLクエリ修正層を介してオプションコンテキストで、微調整LDMをコアコンポーネントとしてサポートするモジュラーフレームワークを提案する。 BLEUとROUGEのメトリクスを用いてクエリ精度を測定し、緩和された正確なマッチング(RelaxedEM)を用いてクエリ結果の精度を測定する。 実験結果から,クエリの精度は0.90 ROUGE-L,テストセットの精度は0.85 RelaxedEMに達した。
  論文  参考訳（メタデータ） (2025-08-14T09:08:50Z)
• Text-to-SPARQL Goes Beyond English: Multilingual Question Answering Over Knowledge Graphs through Human-Inspired Reasoning [51.203811759364925]
  mKGQAgentは、自然言語の質問をSPARQLクエリに変換し、モジュール化された解釈可能なサブタスクに変換するタスクを分解する。 2025年のText2SPARQLチャレンジにおいて、DBpediaとCorporateベースのKGQAベンチマークに基づいて評価され、私たちのアプローチは、他の参加者の中で第一に行われました。
  論文  参考訳（メタデータ） (2025-07-22T19:23:03Z)
• Enhancing SPARQL Query Rewriting for Complex Ontology Alignments [0.0]
  本稿では、ソースからターゲットへのSPARQLクエリの自動書き換えのための革新的なアプローチを提案する。 等価トランジットの原理と、GPT-4のような大規模言語モデルの高度な能力を利用する。 異種データのクエリに柔軟なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-02T14:38:13Z)
• Unleashing the Power of LLMs in Dense Retrieval with Query Likelihood Modeling [69.84963245729826]
  本稿では,検索者の後続のコントラスト学習のためのバックボーンを強化するために,QLの補助的タスクを提案する。 注意ブロック(AB)と文書破壊(DC)の2つの重要なコンポーネントを組み込んだモデルを紹介します。
  論文  参考訳（メタデータ） (2025-04-07T16:03:59Z)
• Assessing SPARQL capabilities of Large Language Models [0.0]
  我々は、SPARQLで動作するLarge Language Modelsのアウトオブザボックス機能の測定に重点を置いています。 LLM-KG-Benchフレームワークにベンチマークタスクを実装し,自動実行と評価を行う。 この結果から,SPARQL SELECTクエリの処理はLLMでは依然として困難であることが示唆された。
  論文  参考訳（メタデータ） (2024-09-09T08:29:39Z)
• Chatbot-Based Ontology Interaction Using Large Language Models and Domain-Specific Standards [41.19948826527649]
  大規模言語モデル(LLM)は、SPARQLクエリ生成を強化するために使用される。 システムはユーザーの問い合わせを正確なSPARQLクエリに変換する。 確立されたドメイン固有の標準からの追加情報がインターフェースに統合される。
  論文  参考訳（メタデータ） (2024-07-22T11:58:36Z)
• An In-Context Schema Understanding Method for Knowledge Base Question Answering [70.87993081445127]
  大きな言語モデル(LLM)は、言語理解において強力な能力を示しており、この課題を解決するために使用することができる。 既存のメソッドは、当初、スキーマ固有の詳細を使わずにLLMを使用してロジックフォームのドラフトを生成することで、この課題を回避している。 そこで本研究では,LLMが文脈内学習を利用してスキーマを直接理解できる簡易なインコンテキスト理解(ICSU)手法を提案する。
  論文  参考訳（メタデータ） (2023-10-22T04:19:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。