SPARKLE: Die Verbesserung der SPARQL-Generierung durch direkte KG-Integration im Decoding

Bestehende Methoden für Wissensbasierter Fragebeantwortung (KBQA) haben traditionell auf mehrstufige Ansätze zurückgegriffen, die Aufgaben wie Entitätserkennung, Teilgraph-Retrieval und Abfragestrukturgenerierung umfassen. Jedoch hängen mehrstufige Ansätze von der Genauigkeit der vorherigen Schritte ab, was zu kaskadenartigen Fehlern und erhöhter Inferenzzeit führt. Obwohl einige Studien den Einsatz von End-to-End-Modellen untersucht haben, leiden diese oft unter geringerer Genauigkeit und generieren nicht ausführbare Abfragen, die nicht durch die zugrunde liegenden Daten unterstützt werden. Darüber hinaus sind die meisten bisherigen Ansätze auf statische Trainingsdaten beschränkt und ignorieren möglicherweise die sich über die Zeit hinweg entwickelnde Natur von Wissensbasen. Um diese Herausforderungen zu bewältigen, stellen wir ein neues End-to-End-Framework zur Übersetzung natürlicher Sprache in SPARQL vor: SPARKLE. Besonders auffällig ist, dass SPARKLE während des Decodings direkt die Struktur der Wissensbasis nutzt, wodurch Wissen effektiv in die Abfragegenerierung integriert wird. Unsere Studie zeigt, dass das einfache Verweisen auf die Wissensbasis während der Inferenzsignifikant verringert, dass nicht ausführbare Abfragen generiert werden. SPARKLE erzielt neue Standartechniken-Ergebnisse auf SimpleQuestions-Wiki und den höchsten F1-Score auf LCQuAD 1.0 (unter den Modellen ohne Verwendung von Gold-Entitäten), während es leicht niedrigere Ergebnisse auf dem WebQSP-Datensatz erzielt. Abschließend demonstrieren wir SPARKLES schnelle Inferenzgeschwindigkeit und seine Fähigkeit, sich anzupassen, wenn sich die Wissensbasis zwischen den Trainings- und Inferenzphasen unterscheidet.