論文の概要: MetaConfigurator: AI-Assisted RDF Authoring from JSON Data
- arxiv url: http://arxiv.org/abs/2606.07094v1
- Date: Fri, 05 Jun 2026 09:42:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.675297
- Title: MetaConfigurator: AI-Assisted RDF Authoring from JSON Data
- Title（参考訳）: MetaConfigurator: JSONデータからのAI支援RDFオーサリング
- Authors: Felix Neubauer, Mahdi Jafarkhani, Kenichi Endo, Jürgen Pleiss, Benjamin Uekermann,
- Abstract要約: 本稿では,オープンソースエディタMetaConfiguratorを拡張したRDFオーサリングビューを提案する。
我々は、AI-assistedLマッピングを使用して既存のYAMLまたはCSVデータをRDFに変換し、トリプルを洗練し、SPARQLクエリを実行し、知識グラフを視覚化し、単一のWebインターフェース内でRDFシリアライズをエクスポートする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scientific workflows increasingly generate structured JSON data that is easy to exchange but difficult to interpret consistently across systems due to lacking semantic interoperability. While JSON Schema ensures structural validation, it provides no native support for Linked Data semantics. This paper presents an RDF Authoring View extending the open-source JSON Schema editor MetaConfigurator, enabling researchers to transform existing JSON, YAML, or CSV data into RDF using AI-assisted RML mappings, refine triples, execute SPARQL queries, visualize knowledge graphs, and export RDF serializations within a single integrated web interface. This workflow is supported by ontology-aware IRI auto-completion, bidirectional synchronization between JSON-LD text views and RDF triple tables, and AI-assisted SPARQL query generation from natural language hints. We demonstrate the workflow using laboratory data from metal-organic framework (MOF) synthesis experiments. Protocol data describing reagents, procedure steps, and quantities is converted from JSON to ontology-based JSON-LD via RML mappings. We then refine the semantic representation, query relationships between experimental conditions and outcomes, and explore the resulting knowledge graph interactively. This integrated environment bridges conventional structured data management with Semantic Web technologies while preserving experimental context and lowering technical barriers through AI assistance.
- Abstract（参考訳）: 科学ワークフローは、簡単に交換できるがセマンティック相互運用性が欠如しているため、システム間で一貫した解釈が難しい構造化JSONデータを生成する。
JSON Schemaは構造的バリデーションを保証するが、Linked Dataセマンティクスをネイティブにサポートしていない。
本稿では,オープンソースのJSON SchemaエディタMetaConfiguratorを拡張したRDFオーサリングビューを提案し,AIによるRMLマッピングを用いて既存のJSON,YAML,CSVデータをRDFに変換し,トリプルを洗練し,SPARQLクエリを実行し,知識グラフを視覚化し,単一の統合Webインターフェース内でRDFシリアライズをエクスポートする。
このワークフローは、オントロジー対応のIRI自動補完、JSON-LDテキストビューとRDFトリプルテーブル間の双方向同期、自然言語ヒントからAI支援のSPARQLクエリ生成によってサポートされている。
金属-有機フレームワーク(MOF)合成実験から得られた実験データを用いて,そのワークフローを実証する。
試薬、手順ステップ、量を記述するプロトコルデータは、RMLマッピングを通じて、JSONからオントロジーベースのJSON-LDに変換される。
次に、セマンティックな表現、実験条件と結果の間のクエリ関係を洗練し、結果の知識グラフをインタラクティブに探索する。
この統合環境は、実験的なコンテキストを維持しながら、AIアシストを通じて技術的な障壁を低くしながら、従来の構造化されたデータ管理をセマンティックWeb技術でブリッジする。
関連論文リスト
- PARSE: LLM Driven Schema Optimization for Reliable Entity Extraction [3.314906482758872]
近年のアプローチでは,制約デコーディングや強化学習といった手法を用いて,既存のスキーマを用いたタスク抽出に,大規模言語モデルを直接適用している。しかし,スキーマを人間開発者用に設計された静的コントラクトとして扱うことにより,最適抽出性能,頻繁な幻覚,不完全あるいは不完全仕様を含む場合の信頼性の低いエージェント動作が実現されている。
ARCHITECTは、RELAYを介して後方互換性を維持しながら、消費のためのスキーマを自律的に最適化するシステムであり、SCOPEは静的およびLLMベースの抽出を実装し、モデル間で10%のフレームワーク改善を実現し、最初の再試行で抽出エラーを92%削減する。
論文 参考訳（メタデータ） (2025-10-08T09:40:30Z) - DeepJSONEval: Benchmarking Complex Nested JSON Data Mining for Large Language Models [6.653834890554154]
多層ネスト構造は、データをキーと値のペア、配列、ネストオブジェクトに整理する。
例えば、ニュース集約では、オブジェクトは記事のメタデータ(タイトル、著者、日付)、コンテンツ(テキスト、マルチメディア)、マルチメディア情報(マルチダイアログ、キャプション)を階層的にネストすることができる。
DeepJSONEvalは、2100のマルチドメインインスタンスと深いネスト構造を特徴とする新しいベンチマークで、難易度によって分類される。
論文 参考訳（メタデータ） (2025-09-30T08:18:20Z) - AI-assisted JSON Schema Creation and Mapping [0.0]
本稿では,大規模言語モデル(LLM)と決定論的手法を組み合わせて,ユーザによる自然言語入力に基づく生成,修正,スキーママッピングを実現するハイブリッドアプローチを提案する。
この作業は、非専門家のための構造化データモデリングとデータ統合に対する障壁を著しく減らします。
論文 参考訳（メタデータ） (2025-08-07T09:27:10Z) - Large Language Models are Good Relational Learners [55.40941576497973]
本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。
従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
論文 参考訳（メタデータ） (2025-06-06T04:07:55Z) - RouteNator: A Router-Based Multi-Modal Architecture for Generating Synthetic Training Data for Function Calling LLMs [3.41612427812159]
デジタルコンテンツ作成ツールでは、ユーザは、API呼び出しにマップしなければならない自然言語クエリを通じて、ニーズを表現します。
既存の合成データ生成アプローチでは、実世界のデータ分散を複製することができない。
高品質な合成学習データを生成するルータベースのアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-05-15T16:53:45Z) - Learning to Generate Structured Output with Schema Reinforcement Learning [83.09230124049667]
本研究では,大規模言語モデル(LLM)の構造的生成能力について検討する。
最新のLLMはまだ有効な文字列を生成するのに苦労している。
我々のモデルでは、出力と下流の両方のタスクが大幅に改善されている。
論文 参考訳（メタデータ） (2025-02-26T06:45:29Z) - UQE: A Query Engine for Unstructured Databases [71.49289088592842]
構造化されていないデータ分析を可能にするために,大規模言語モデルの可能性を検討する。
本稿では,非構造化データ収集からの洞察を直接問合せ,抽出するUniversal Query Engine (UQE)を提案する。
論文 参考訳（メタデータ） (2024-06-23T06:58:55Z) - Improving Text-to-SQL Semantic Parsing with Fine-grained Query
Understanding [84.04706075621013]
トークンレベルのきめ細かいクエリ理解に基づく汎用的モジュール型ニューラルネットワーク解析フレームワークを提案する。
我々のフレームワークは、名前付きエンティティ認識(NER)、ニューラルエンティティリンカ(NEL)、ニューラルエンティティリンカ(NSP)の3つのモジュールから構成されている。
論文 参考訳（メタデータ） (2022-09-28T21:00:30Z) - A Novel Approach for Generating SPARQL Queries from RDF Graphs [0.0]
この研究は、研究マスターの論文プロジェクトの一部として行われている。
目標は、RDFグラフをクエリするために、ユーザが提供するキーワードに基づいてSPARQLクエリを生成することだ。
論文 参考訳（メタデータ） (2020-05-30T18:28:49Z)
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。