研究：知识图谱中介让企业数据助手更能应对不完美提问
论文AI 评分 62/100arXiv cs.AI待复核
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。
一项发表于 ECIS 2026 的研究，基于某企业 CFO 部门数据湖的真实部署场景，考察业务用户常提出的不完美提问：这类提问带有领域词汇，却缺少模式引用与结构信息。作者设计并比较两种自动消解方案：基于语义相似度的模式中介，以及利用从数据湖自动构建的知识图谱进行中介。用真实数据做模拟评估，辅以 LLM-as-a-Judge 与人工验证，结果显示知识图谱方案在精确率、召回率、F1 与保留用户意图上均优于模式方案。研究据此提出知识图谱中介的设计原则。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载真实部署中的提问问题
研究来自一个已实际投入使用的企业数据助手：它部署在某产业合作方 CFO 部门的数据湖上，由大语言模型驱动，目标是让组织内的数据访问更普及。作者观察到，业务用户提交的提问普遍不完美——其中夹杂领域专有词汇，却往往不给出模式引用，也缺少结构信息。这类提问对系统如何把自然语言对应到数据库结构提出了直接挑战，也是该研究的问题起点。
两种中介方案的设计
研究采用设计科学研究方法，核心是引入一个语义中介层来自动消解上述不完美提问，并设计出两种可比较的变体。第一种是模式中介，依靠语义相似度把提问匹配到数据库模式；第二种是知识图谱中介，其知识图谱由数据湖自动构建，借助图谱中的结构化关系来连接用户意图与数据结构。两种变体面向同一任务，差别在于中介所依赖的知识表示形式。
评估结果与设计原则
评估以真实数据做模拟，并同时使用 LLM-as-a-Judge 评分与人工验证。结果显示，知识图谱中介在精确率、召回率、F1 以及保留用户意图这几项上均超过模式中介。作者由此提出一条面向知识图谱中介的设计原则，认为结构化的知识表示能够在用户意图与数据库结构之间架桥，并可指导面向不同技能水平用户的企业数据助手设计。该文收录于第 34 届欧洲信息系统会议（ECIS 2026）论文集。
为什么值得看
企业数据助手落地时，用户提问往往不规范；该研究给出了可比较的中介方案与评估方法。
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。