QRAKEN神经符号管线提升Text2SPARQL准确率，较最强基线相对提升超…
论文AI 评分 68/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
QRAKEN是一种免训练、不依赖本体的神经符号管线，通过经验图证据而非模式期望来约束大模型生成。其离线蒸馏器生成TTQL紧凑描述，在线引导大模型并经确定性检查迭代修正。在CK25挑战赛上，搭配GPT-4.1 mini与GPT-5.4分别取得0.643与0.652的严格F1，较最强重算参赛者相对提升30%和32%。消融显示TTQL模式贡献最大，比仅用形状基线高0.31，比SHACL高64%。使用两个本地35B 4-bit开源模型零边际成本即可匹配最强参赛者。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载管线架构与TTQL生成
QRAKEN旨在解决大模型在陌生RDF知识图谱上生成有效但曲解数据模型的SPARQL查询问题。该管线免训练且不依赖本体，分为离线与在线两阶段。离线蒸馏器生成TTQL，这是一种紧凑描述，涵盖已填充的多跳模式、条件频率、路径条件字面量示例及类属性共现矩阵。在线阶段，TTQL引导大模型生成查询，同时通过确定性语法、词汇和数据模型检查提供诊断，支持迭代修正，拒绝共现矩阵不支持的三元组模式。
CK25挑战赛评测表现
在首届Text2SPARQL挑战赛CK25上，基于QLever快照的匹配条件重算显示，QRAKEN搭配GPT-4.1 mini与GPT-5.4分别取得0.643±0.026和0.652±0.012的严格F1。相比最强重算参赛者，相对增益达30%和32%，优于使用同系列基础模型的系统。消融实验表明TTQL模式是主要驱动因素，比仅形状基线高0.31严格F1；修正循环作为低成本安全网发挥作用。与自动派生SHACL相比，TTQL严格F1高出64%，证实经验模式超越模式暴露的价值。
开源模型匹配与局限
在零边际成本条件下，使用两个本地35B 4-bit开源权重模型运行同一管线，其表现即可匹配最强重算参赛者，且TTQL相对形状基线和SHACL基线的优势依然存在。不过，当前结果仅基于单一且相对较小的基准测试，提供的是初步经验信号。该方案的主要局限在于，在非常开放的跨域图谱上进行整体TTQL注入仍面临挑战。
为什么值得看
提供免训练方案解决大模型在陌生知识图谱上生成失真查询的痛点，且零边际成本开源模型可媲美顶尖系统。
GPT大模型蒸馏开源模型
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。