論文の概要: Natural Language Access to Domain-Specific Metadata: A Reusable Framework for LLM Query Generation

• arxiv url: http://arxiv.org/abs/2607.18029v1
• Date: Mon, 20 Jul 2026 14:59:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.668111
• Title: Natural Language Access to Domain-Specific Metadata: A Reusable Framework for LLM Query Generation
• Title（参考訳）: ドメイン特化メタデータへの自然言語アクセス: LLMクエリ生成のための再利用可能なフレームワーク
• Abstract要約: 大規模言語モデル(LLM)は、微調整、検索拡張、マルチエージェントオーケストレーションなしで、ゼロショットで正確な構造化クエリを生成することができることを示す。 本稿では自然言語知識グラフクエリ(NLKGQ)システムについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Researchers need to answer ad-hoc questions about the contents of domain-specific archives but often lack the expertise to write structured queries on the metadata. We show that when domain vocabulary and semantics are captured in a well-designed Web Ontology Language (OWL) ontology, Large Language Models (LLMs) can generate accurate structured queries zero-shot, without fine-tuning, retrieval augmentation, or multi-agent orchestration. We present the Natural Language Knowledge Graph Query (NLKGQ) system, a framework and development process that enables natural language access to metadata in such archives. The framework includes a web interface that helps researchers pose natural language questions, which a domain-agnostic harness translates to SPARQL via an LLM and executes against a knowledge graph. The development process begins with capturing domain vocabulary and semantics in a formal OWL ontology. Domain-specific code then extracts metadata from archive sources and imports it into a knowledge graph defined by the ontology. Both are designed for reuse across domains. We demonstrate the system on metadata derived from a large-scale neuroimaging research archive, evaluating multiple LLMs and ontology representations. The best configurations achieve 100% accuracy on a competence and regression question set developed with domain experts. An ablation study across eight ontology representations reveals that readable entity names and semantic annotations are the dominant factors in accuracy, more significant than model choice or prompt engineering. We also compare SPARQL to an auto-generated SQL database as query backends, showing that OWL's structural features provide a substantial advantage over SQL DDL for LLM-driven query generation. Our demonstration domain also requires local LLMs on modest institutional hardware to address privacy concerns for human subject data.
• Abstract（参考訳）: 研究者は、ドメイン固有のアーカイブの内容に関するアドホックな質問に答える必要があるが、メタデータに構造化されたクエリを書く専門知識が欠けていることが多い。 ドメインボキャブラリとセマンティクスがよく設計されたWebオントロジー言語(OWL)オントロジーでキャプチャされると、大規模言語モデル(LLM)は、微調整、検索拡張、マルチエージェントオーケストレーションなしに、正確に構造化されたクエリをゼロショットで生成できることを示す。 本稿では自然言語知識グラフクエリ(NLKGQ)システムについて述べる。 このフレームワークには、研究者が自然言語の質問に反応するのを助けるWebインターフェースが含まれており、ドメインに依存しないハーネスはLLMを介してSPARQLに変換され、知識グラフに対して実行される。 開発プロセスは、正式なOWLオントロジーでドメインの語彙と意味をキャプチャすることから始まる。 ドメイン固有のコードは、アーカイブソースからメタデータを抽出し、オントロジーで定義された知識グラフにインポートする。 どちらもドメイン間の再利用のために設計されている。 本稿では,大規模神経画像研究アーカイブから派生したメタデータについて,複数のLDMとオントロジー表現を評価した。 最高の構成は、ドメインの専門家によって開発された能力と回帰性に関する質問に対して100%の精度を達成する。 8つのオントロジー表現に対するアブレーション研究は、読みやすいエンティティ名とセマンティックアノテーションが精度の主要な要素であり、モデル選択やプロンプトエンジニアリングよりも重要であることを示した。 また、SPARQLをクエリバックエンドとして自動生成されたSQLデータベースと比較すると、OWLの構造機能はLLM駆動のクエリ生成にSQL DDLよりも大幅に有利であることを示している。 我々の実証領域は、人間の被写体データに対するプライバシー上の懸念に対処するために、控えめな施設用ハードウェア上でのローカルLLMも必要としています。

関連論文リスト

• A Human-in-the-Loop, LLM-Centered Architecture for Knowledge-Graph Question Answering [41.99844472131922]
  大きな言語モデルは言語理解において優れているが、知識集約的なドメインでは限られている。 この研究は、LLMがCypherグラフクエリを生成して説明するインタラクティブなフレームワークを導入している。
  論文  参考訳（メタデータ） (2026-02-05T10:10:19Z)
• ArcBERT: An LLM-based Search Engine for Exploring Integrated Multi-Omics Metadata [0.4077787659104315]
  ArcBERTは自然言語クエリを理解し、従来の検索アプリケーションとは異なり、セマンティックマッチングに依存している。 ArcBERTはメタデータ内の構造や階層も理解しており、多様なユーザクエリパターンを効果的に処理することができる。
  論文  参考訳（メタデータ） (2025-12-17T12:11:14Z)
• 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)
• 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)
• NAT-NL2GQL: A Novel Multi-Agent Framework for Translating Natural Language to Graph Query Language [13.661054027428868]
  自然言語をグラフクエリ言語に変換する新しいフレームワークであるNAT-NL2GQLを提案する。 私たちのフレームワークは、プリプロセッサエージェント、ジェネレータエージェント、Refinerエージェントの3つの相乗的エージェントで構成されています。 nGQL構文に基づく高品質なオープンソースNL2GQLデータセットの不足を踏まえ、金融市場グラフデータベースから構築されたデータセットであるStockGQLを開発した。
  論文  参考訳（メタデータ） (2024-12-11T04:14:09Z)
• Towards Evaluating Large Language Models for Graph Query Generation [49.49881799107061]
  大言語モデル(LLM)は、生成人工知能(GenAI)の景観に革命をもたらしている 本稿では,オープンアクセス LLM を用いてグラフデータベースと対話する強力な言語としてクエリを生成することの課題について比較検討する。 クエリ生成精度を実証的に分析したところ、Claude Sonnet 3.5は特定のドメインでそれよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-13T09:11:56Z)
• Knowledge-Aware Query Expansion with Large Language Models for Textual and Relational Retrieval [49.42043077545341]
  知識グラフ(KG)から構造化文書関係を付加したLLMを拡張した知識対応クエリ拡張フレームワークを提案する。 文書テキストをリッチなKGノード表現として活用し、KAR(Knowledge-Aware Retrieval)のための文書ベースの関係フィルタリングを利用する。
  論文  参考訳（メタデータ） (2024-10-17T17:03:23Z)
• Domain-Specific Retrieval-Augmented Generation Using Vector Stores, Knowledge Graphs, and Tensor Factorization [7.522493227357079]
  大規模言語モデル(LLM)は大規模コーパスで事前訓練されている。 LLMは幻覚、知識の遮断、知識の帰属の欠如に悩まされる。 SMART-SLICはドメイン固有のLLMフレームワークである。
  論文  参考訳（メタデータ） (2024-10-03T17:40:55Z)
• 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)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)

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。