論文の概要: SAGA: Schema-Aware Grounding for Agentic Text-to-SPARQL Generation
- arxiv url: http://arxiv.org/abs/2607.14494v1
- Date: Thu, 16 Jul 2026 02:17:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:32.957455
- Title: SAGA: Schema-Aware Grounding for Agentic Text-to-SPARQL Generation
- Title（参考訳）: SAGA:エージェントテキストからSPARQL生成のためのスキーマアウェアグラウンド
- Authors: Yiming Zhang, Koji Tsuda,
- Abstract要約: 複雑な知識ベース質問応答(KBQA)は、質問固有のサブグラフ上の情報検索か、あるいは意味解析によって実行可能な論理形式にアプローチすることが一般的である。
最近の大規模言語モデルエージェントは、セマンティックパースをインタラクティブにする。推論、知識ベースへのクエリ、部分的なSPARQLクエリの拡張を交互に行う。
本稿では,SAGA(UnderlineSchema-underlineAware UnderlineGrounding for UnderlineAgentic Text-to-SPARQL Generation)を提案する。
- 参考スコア（独自算出の注目度）: 3.01421775057336
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Complex knowledge base question answering (KBQA) is commonly approached through either information retrieval over a question-specific subgraph or semantic parsing into an executable logical form. We study the latter paradigm. Recent large language model agents make semantic parsing interactive: they alternate between reasoning, querying the knowledge base, and extending a partial SPARQL query. This interleaving reduces reliance on one-shot generation, but makes the quality of \emph{KB grounding} depend on what the interaction tools expose. Existing agents retrieve or prune candidate properties mainly through lexical relevance and instance-level observations, without systematically conditioning on entity types, property domains and ranges, or the expected answer type. We call this failure mode \emph{type-blind grounding}. It enlarges the grounding search space and often produces plausible-looking but semantically incompatible triple patterns that execute to empty results. We propose SAGA (\underline{S}chema-\underline{A}ware \underline{G}rounding for \underline{A}gentic Text-to-SPARQL Generation), a training-free framework that turns property exploration into a schema-constrained grounding operation. SAGA maintains a persistent bidirectional type state, filters known-incompatible property candidates at construction time, presents the remaining graph patterns in a compact schema-annotated format, and handles missing schema information permissively through empirical and trace-local evidence. Across nine benchmark settings over Wikidata and Freebase, SAGA achieves the highest F1 on all nine settings and the highest exact-match accuracy on eight, while reducing empty-result queries across all reported Wikidata settings.
- Abstract（参考訳）: 複雑な知識ベース質問応答(KBQA)は、質問固有のサブグラフ上の情報検索か、あるいは意味解析によって実行可能な論理形式にアプローチすることが一般的である。
後者のパラダイムについて研究する。
最近の大規模言語モデルエージェントは、セマンティックパースをインタラクティブにする。推論、知識ベースへのクエリ、部分的なSPARQLクエリの拡張を交互に行う。
このインターリービングは、ワンショット生成への依存を減らすが、相互作用ツールが公開しているものに依存して \emph{KB grounding} の品質を向上させる。
既存のエージェントは、エンティティタイプ、プロパティドメインと範囲、あるいは期待される応答タイプを体系的に条件付けすることなく、主に語彙的関連性やインスタンスレベルの観察を通じて、候補プロパティを検索またはプルーーンする。
この障害モードを \emph{type-blind grounding} と呼ぶ。
接地する検索空間を拡大し、しばしば、空の検索結果に実行される、可塑性だが意味的に互換性のない3重パターンを生成する。
本稿では,SAGA (\underline{S}chema-\underline{A}ware \underline{G}rounding for \underline{A}gentic Text-to-SPARQL Generation)を提案する。
SAGAは、永続的な双方向型状態を維持し、構築時に既知の非互換なプロパティ候補をフィルタリングし、残りのグラフパターンをコンパクトなスキーマアノテーション形式で提示し、経験的およびトレースローカルな証拠を通じて、欠落したスキーマ情報を許容的に処理する。
WikidataとFreebaseの9つのベンチマーク設定で、SAGAは9つの設定で最高F1、9つの設定で最高精度を達成している。
関連論文リスト
- Executable Schema Contracts: From Automatic Ingestion to Multi-Source Retrieval [19.3757623473603]
実世界のデータは、暗黙のセマンティクスを持つテーブル、ドキュメント、半構造化ファイルにまたがる。
生のマルチソースデータから実行可能なスキーマを自動的に検出するシステムを提案する。
論文 参考訳（メタデータ） (2026-06-03T20:28:36Z) - Query Symbolically or Retrieve Semantically? A Dataset and Method for Semi-Structured Question Answering [2.6264656632831667]
DualGraphは2つの補完的なビューを通じて文書を表現している。意味検索のためのテキスト知識グラフと、型付き主語-述語-オブジェクトトリプルに対するシンボリッククエリのためのシンボリック知識グラフである。
我々はまた、半構造化された製品ドキュメントと、オープンエンドおよび仕様指向の検索にまたがる手動でキュレートされた質問を備えた商用ショッピングウェブサイトのベンチマークであるSpecsQAを紹介します。実験により、DualGraphは、質問タイプ全体にわたって、最先端の密検索、GraphRAG、シンボリック、テーブル指向のベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-26T15:22:42Z) - TaSR-RAG: Taxonomy-guided Structured Reasoning for Retrieval-Augmented Generation [17.21708416305234]
textscTaSR-RAGは、エビデンス選択のための分類誘導構造推論フレームワークである。
textscTaSR-RAGは、強いRAGと構造化RAGベースラインを最大14%上回っている。
論文 参考訳（メタデータ） (2026-03-10T08:16:36Z) - Retrieving Minimal and Sufficient Reasoning Subgraphs with Graph Foundation Models for Path-aware GraphRAG [27.22974957852695]
グラフベースの検索強化生成(GraphRAG)は、構造化知識を利用して知識集約推論を支援する。
本稿では,事前学習したグラフファウンデーションモデルがクロスドメインレトリバーとして機能するサブグラフを用いて,ユーザクエリに直接応答するGCM-Retrieverを提案する。
GFM-Retrieverは、効率を保ちながら、検索品質と回答生成の両方において最先端の性能を達成する。
論文 参考訳（メタデータ） (2026-03-07T12:39:21Z) - Search-on-Graph: Iterative Informed Navigation for Large Language Model Reasoning on Knowledge Graphs [26.0585592684229]
大規模言語モデル(LLM)は、知識集約型マルチホップ質問では信頼性が保たれていない印象的な推論能力を示している。
本稿では,LLMの反復的なグラフナビゲーションを実現するための,シンプルかつ効果的なフレームワークである検索オングラフ(SoG)を提案する。
Wikidataベンチマーク(以前のベストメソッドよりも+16%改善)とFreebaseベンチマークの一貫性のある改善は特に顕著です。
論文 参考訳（メタデータ） (2025-10-09T21:20:16Z) - Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。
次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。
ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
論文 参考訳（メタデータ） (2025-06-06T10:07:21Z) - Less is More: Making Smaller Language Models Competent Subgraph Retrievers for Multi-hop KGQA [51.3033125256716]
本研究では,小言語モデルで処理される条件生成タスクとして,サブグラフ検索タスクをモデル化する。
2億2千万のパラメータからなる基本生成部分グラフ検索モデルでは,最先端モデルと比較して競合検索性能が向上した。
LLMリーダを接続した最大の3Bモデルは、WebQSPとCWQベンチマークの両方で、SOTAのエンドツーエンドパフォーマンスを新たに設定します。
論文 参考訳（メタデータ） (2024-10-08T15:22:36Z) - HiSMatch: Historical Structure Matching based Temporal Knowledge Graph
Reasoning [59.38797474903334]
本稿では,textbfHistorical textbfStructure textbfMatching (textbfHiSMatch)モデルを提案する。
クエリと候補エンティティの履歴構造に含まれる意味情報をキャプチャするために、2つの構造エンコーダを適用する。
6つのベンチマークデータセットの実験では、提案されたHiSMatchモデルが、最先端のベースラインと比較して最大5.6%のパフォーマンス改善を達成している。
論文 参考訳（メタデータ） (2022-10-18T09:39:26Z) - 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) - Improving Candidate Retrieval with Entity Profile Generation for
Wikidata Entity Linking [76.00737707718795]
本稿では,エンティティ・プロファイリングに基づく新しい候補探索パラダイムを提案する。
我々は、このプロファイルを使用してインデックス付き検索エンジンに問い合わせ、候補エンティティを検索する。
本手法は,ウィキペディアのアンカーテキスト辞書を用いた従来の手法を補完するものである。
論文 参考訳（メタデータ） (2022-02-27T17:38:53Z) - Robust Question Answering Through Sub-part Alignment [53.94003466761305]
我々はアライメント問題として質問応答をモデル化する。
私たちは、SQuAD v1.1でモデルをトレーニングし、いくつかの逆および外ドメインデータセットでそれをテストします。
論文 参考訳（メタデータ） (2020-04-30T09:10:57Z)
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。