論文の概要: SPARQL-LLM in the TEXT2SPARQL 2026 Challenge

• arxiv url: http://arxiv.org/abs/2610.13648v1
• Date: Fri, 09 Oct 2026 14:25:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.619228
• Title: SPARQL-LLM in the TEXT2SPARQL 2026 Challenge
• Title（参考訳）: TEXT2SPARQL 2026チャレンジにおけるSPARQL-LLM
• Abstract要約: 本稿では,オープンソースの知識グラフ質問回答システムであるSPARQL-LLMについて述べる。 本稿では、オープンソースのKGQAシステムであるSPARQL-LLMについて、TEXT2SPARQL 2026チャレンジの文脈で説明する。
• 参考スコア（独自算出の注目度）: 1.3856736555085554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Querying distributed data represented as Knowledge Graphs (KGs) via SPARQL remains a difficult task, requiring fluency in query syntax, endpoint specifications, and schema details. Knowledge Graph Question Answering (KGQA) systems address this by automatically translating natural language into SPARQL, and recent advances in Large Language Models (LLMs) have made this translation increasingly feasible. In this paper, we describe SPARQL-LLM, our open-source KGQA system, in the context of the TEXT2SPARQL 2026 challenge. In this challenge, SPARQL-LLM ranks first overall among eight competing approaches across all datasets, achieving up to 59% higher accuracy than the second-best approach and supporting multilingual question answering in English, German, and Spanish. SPARQL-LLM is publicly released at https://github.com/sib-swiss/sparql-llm and deployed in production over decentralized bioinformatics KGs at https://www.expasy.org/chat.
• Abstract（参考訳）: 知識グラフ(KG)として表現された分散データをSPARQL経由でクエリするのは,クエリ構文やエンドポイント仕様,スキーマの詳細など,依然として困難な作業である。 知識グラフ質問回答(KGQA)システムは、自然言語をSPARQLに自動的に翻訳することで、この問題に対処する。 本稿では、オープンソースのKGQAシステムであるSPARQL-LLMについて、TEXT2SPARQL 2026チャレンジの文脈で説明する。 この課題では、SPARQL-LLMは、すべてのデータセットにまたがる8つの競合するアプローチの中で第1位であり、第2のベストアプローチよりも最大59%の精度を実現し、英語、ドイツ語、スペイン語で多言語質問応答をサポートする。 SPARQL-LLMはhttps://github.com/sib-swiss/sparql-llmで公開されている。

関連論文リスト

• Build2SPARQL: A Large-Scale Text-to-SPARQL Benchmark Dataset for Building Knowledge Graph Querying [0.0]
  本稿では,KGグラウンドパイプラインによって生成されたKGを大規模に構築するためのベンチマークであるBuild2SPARQLを提案する。 6,136のSPARQLクエリと30,680の質問が生成される。
  論文  参考訳（メタデータ） (2026-09-22T13:19:16Z)
• SPARQL-LLM: Real-Time SPARQL Query Generation from Natural Language Questions [1.3856736555085554]
  SPARQL-LLMは、軽量メタデータを利用して、自然言語テキストからSPARQLクエリを生成する、オープンソースでトリプルストアに依存しないアプローチである。 SPARQL-LLMは、チャレンジに参加している他のシステムよりも最大36倍高速で、1問あたり最大0.01ドルのコストがかかることを示す。
  論文  参考訳（メタデータ） (2025-12-16T10:39:46Z)
• 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)
• SPARQL Query Generation with LLMs: Measuring the Impact of Training Data Memorization and Knowledge Injection [81.78173888579941]
  大規模言語モデル(LLM)は、質問応答機能の品質を高めるのに適した方法と考えられている。 LLMはWebデータに基づいてトレーニングされており、ベンチマークや知識グラフがトレーニングデータに含まれているかどうかを研究者は制御できない。 本稿では,自然言語質問からSPARQLクエリを生成し,LLMの品質を評価する手法を提案する。
  論文  参考訳（メタデータ） (2025-07-18T12:28:08Z)
• 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)
• Leveraging LLMs in Scholarly Knowledge Graph Question Answering [7.951847862547378]
  KGQAは大きな言語モデル(LLM)を活用することで自然言語の質問に答える SciQAのF1スコアは,Scholarly Knowledge Graph Question Answering Challengeベンチマークの1つである99.0%である。
  論文  参考訳（メタデータ） (2023-11-16T12:13:49Z)
• 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)
• Spider4SPARQL: A Complex Benchmark for Evaluating Knowledge Graph Question Answering Systems [1.4732811715354452]
  知識グラフ質問回答システムを評価するために、現実的なベンチマークを提供することがますます重要になっている。 Spider4SPARQLは、9,693の既存のNL質問と4,721のユニークな、新しい、複雑なSPARQLクエリを備えた、新しいSPARQLベンチマークデータセットである。 現状のKGQAシステムとLLMを用いてシステム評価を行い,実行精度は45%に過ぎなかった。
  論文  参考訳（メタデータ） (2023-09-28T08:41:08Z)
• LMGQS: A Large-scale Dataset for Query-focused Summarization [77.6179359525065]
  我々は4つの一般的な要約ベンチマークを新しいQFSベンチマークデータセットであるLMGQSに変換する。 我々は最先端の要約モデルを用いてベースラインを確立する。 複数の既存のQFSベンチマークにおいて、最先端のゼロショットと教師付きパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-05-22T14:53:45Z)

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。