An Empirical Study of Real-World SPARQL Queries
Univ. of Valladolid（巴利亚多利德大学）；Univ. of Chile（智利大学）
在设计查询评估引擎或在考虑性能的情况下微调RDF存储时，了解用户如何定制他们的SPARQL查询是至关重要的。在本文中，我们分析了从DBPedia和SWDF公共端点的日志中提取的300万个真实SPARQL查询。我们的目标是从语法和结构的角度找到最常用的语言元素，特别注意三重模式和连接，因为它们确实是一些最昂贵的SPARQL操作在评估阶段。我们已经确定，大多数查询是简单的，包括几个三元组模式和连接，是最常见的连接类型Subject-Subject，Subject-Object和Object-Object。图形模式通常是星形的，尽管存在三重模式链，但它们通常很短。
2011-03-25 cs.AI cs.HC cs.IR
A Novel Approach for Generating SPARQL Queries from RDF Graphs
Université De Tunis El Manar（突尼斯埃尔马纳尔大学）；Faculté Des Sciences De Tunis（突尼斯理学院）；Faculté des Sciences Économiques et de Gestion de Tunis（突尼斯经济与管理科学学院）；Faculté des Sciences juridique Économique et de Gestion de Jendouba（坚杜拜法律经济与管理科学学院）
这项工作是作为一个研究硕士论文项目的一部分。目标是根据用户提供的关键字生成SPARQL查询，以查询RDF图。为此，我们首先将输入本体转换为RDF图，该图反映了本体中表示的语义。随后，我们将此RDF图存储在Neo4j图形数据库中，以确保RDF数据的高效和持久管理。在询问时，我们研究了用户最初提出的请求的不同可能和期望的解释。我们还建议在两种查询语言SPARQL和Cypher之间进行某种转换，这是Neo4j特有的。这使我们能够在各种各样的BD-RDF上实现我们的系统架构，提供它们的查询语言，而不改变系统的任何其他组件。最后，我们使用不同的测试库对我们的工具进行了测试和评估，结果表明，我们的工具是全面的，有效的，足够强大。
2020-05-30 cs.AI cs.DB
Q${}^2$Forge: Minting Competency Questions and SPARQL Queries for Question-Answering Over Knowledge Graphs
Univ. Côte d'Azur（普罗旺斯大学）；Inria（法国国家科学研究中心）；ICN（信息与通信网络研究所）；I3S（信息科学与系统研究所）；CNRS（法国国家科学研究中心）
Q²Forge通过生成知识图谱的胜任问题和对应的SPARQL查询，解决非专家用户生成高质量查询的挑战，提供开放源代码的模块化解决方案。
2025-12-12 cs.AI cs.DB cs.IR
Revealing Secrets in SPARQL Session Level
Southeast University（东南大学）；Leipzig University（莱比锡大学）；University of Paderborn（帕德博恩大学）；Tongji University（同济大学）
知识图谱基于语义Web技术，通过SPARQL服务帮助用户发现感兴趣的信息。搜索者经常反复检查中间结果，并在搜索会话中反复修改SPARQL查询。在这种情况下，理解用户行为是有效的意图预测和查询优化的关键。然而，这些行为还没有在SPARQL会话级别进行系统的研究。本文通过对大量真实SPARQL查询日志的全面调查，揭示了会话级用户搜索行为的秘密。特别是，我们彻底评估用户w.r.t.查询的变化。SPARQL查询的结构和数据驱动功能。为了说明我们的研究结果的潜力，我们采用了一个应用程序的例子，如何使用我们的研究结果，这可能是有价值的设计高效的SPARQL缓存，自动完成，查询建议，近似和放松技术在未来。
2020-11-02 cs.AI cs.DB
From Shapes to Shapes: Inferring SHACL Shapes for Results of SPARQL CONSTRUCT Queries (Extended Version)
University of Koblenz（科布伦茨大学）；University of Stuttgart（斯图加特大学）；University of Southampton（南安普顿大学）
该研究针对SPARQL CONSTRUCT查询输出图形状约束难预判的问题，聚焦SCCQ查询子集与Simple SHACL形状子集，形式化定义最严格输出形状推导问题，提出静态分析算法并证明其可靠性与复杂度。
2024-02-13 cs.AI cs.DB cs.LO
Competency Questions and SPARQL-OWL Queries Dataset and Analysis
Poznan University of Technology（波兹南理工大学）；University of Cape Town（开普敦大学）
能力问题（CQ）是一种自然语言问题，它概括和约束了本体所表示的知识范围。尽管CQ是几种本体工程方法的一部分，但我们已经观察到，可用本体的CQ的实际发布非常有限，甚至更少的是它们各自形式化的发布，例如，SPARQL查询。本文旨在解决使用CQ在本体开发中的工程缺陷，以促进CQ的更广泛的使用。为了了解CQ和本体查询之间的关系，以测试本体上的CQ，我们收集，分析，并公开发布了一组234 CQ和他们的翻译SPARQL-OWL的几个本体在不同领域开发的不同团体。我们主要从两个方面分析了CQ。第一阶段集中于对自然语言文本本身的语言学分析，即，没有任何本体元素的前提的词汇-句法分析，以及随后的语义分析步骤，以便找到模式。CQ源的这种增加的多样性导致迄今为止公布的模式增加了5倍，达到106个不同的CQ模式，这些模式具有跨来自不同本体的CQ集共享的少数模式的有限子集。接下来，我们分析了所发现的CQ模式和46个SPARQL-OWL查询签名之间的关系，这表明一个CQ模式可以由多个SPARQL-OWL查询签名实现，反之亦然。我们希望我们的工作将有助于建立通用实践、模板、自动化和用户工具，以支持CQ制定、形式化、执行和一般管理。
2018-11-23 cs.AI cs.CL cs.DB
LLM-based SPARQL Query Generation from Natural Language over Federated Knowledge Graphs
SIB Swiss Institute of Bioinformatics（瑞士生物信息学研究所）
针对生物信息学联邦知识图谱的自然语言查询问题，提出基于大语言模型的检索增强生成系统，利用知识图谱元数据并加入验证步骤提升查询准确性，减少幻觉，系统已在线开放。
2025-02-10 cs.AI cs.DB cs.IR
DaRLing: A Datalog rewriter for OWL 2 RL ontological reasoning under SPARQL queries
University of Calabria（卡拉布里亚大学）
W3C Web本体语言（OWL）是一种功能强大的知识表示形式体系，它以许多以语义为中心的应用程序为基础。由于其不受限制的使用使得推理在非常简单的任务中已经不可判定，因此已经确定了表达性但可判定的片段。其中，我们重点介绍了OWL 2 RL，它提供了丰富的语义构造器，除了支持所有RDFS数据库。虽然流行的Web资源（如DBpedia）属于OWL 2 RL，但只有少数系统是为这个片段设计和实现的。然而，它们都不能完全满足以下所有要求：（i）免费提供并定期维护;（ii）支持查询应答和SPARQL查询;（iii）正确应用sameAs属性而不采用唯一名称假设;（iv）处理具体的数据库。为了填补这一空白，我们提出了DaRLing，一个免费提供的数据库重写OWL 2 RL本体推理SPARQL查询。特别是，我们描述了它的体系结构，它实现的重写策略，并证明其实际适用性的实验评估的结果。这篇论文是在逻辑程序设计理论与实践（TPLP）中考虑的。
2020-08-05 cs.AI cs.LO
SPARQL-LLM: Real-Time SPARQL Query Generation from Natural Language Questions
SIB Swiss Institute of Bioinformatics（瑞士生物信息学研究所）；University of Zurich（苏黎世大学）
SPARQL-LLM通过轻量级元数据方法，实现了从自然语言到SPARQL查询的高效生成，提升了准确性和效率，适用于实时低成本应用。
2026-09-25 cs.AI cs.CL cs.IR
Optimizing SPARQL Query Answering over OWL Ontologies
University of Ulm（乌尔姆大学）；National Technical University of Athens（雅典国家技术大学）
SPARQL查询语言目前正在由万维网联盟（W3C）用所谓的蕴涵机制进行扩展。蕴涵机制定义了如何在比SPARQL标准简单蕴涵更有表达力的语义下评估查询，SPARQL标准简单蕴涵基于子图匹配。查询是非常有表现力的，因为变量可以出现在复杂的概念中，也可以绑定到概念或角色名称。在本文中，我们描述了一个声音和完整的算法OWL直接语义蕴涵制度。我们进一步提出了一些新的优化，如确定一个良好的查询执行顺序，查询重写技术的战略，并显示如何专门的OWL推理任务和概念和角色层次结构，可以用来减少查询执行时间。为了确定一个良好的执行顺序，我们提出了一个基于成本的模型，其中的成本是基于信息的概念和角色的实例，从一个OWL推理建立的模型抽象提取。我们提出了两种排序策略：静态和动态的。对于动态的情况下，我们提高了性能，利用一个单独的聚类方法，允许计算成本函数的基础上，从一个集群的一个单独的样本。我们提供了一个原型实现，并评估所提出的优化的效率。我们的实验研究表明，静态排序通常优于动态的准确统计时，可用。然而，当统计数据不太准确时，这种情况会发生变化，例如，由于不确定性推理的决定。对于超越合取实例查询的查询，我们观察到由于所提出的优化，提高了三个数量级。
2014-02-04 cs.AI cs.DB
Assessing SPARQL capabilities of Large Language Models
Institute for Applied Informatics at Leipzig University（莱比锡大学应用信息学研究所）；Leipzig University（莱比锡大学）
本文在LLM-KG-Bench框架中实现了多维度基准测试任务，定量评估了GPT、Gemini和Claude等模型处理SPARQL SELECT查询的开箱即用能力，发现生成语义正确的查询对LLMs仍具挑战性。
2025-04-04 cs.AI cs.CL cs.DB
FIRESPARQL: A LLM-based Framework for SPARQL Query Generation over Scholarly Knowledge Graphs
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
针对学术知识图谱问答中LLM生成SPARQL查询存在的结构与语义错误，提出模块化框架FIRESPARQL，结合微调LLM、RAG与查询校正层，在SciQA基准上微调配置取得0.90 ROUGE-L和0.85 RelaxedEM的最佳性能。
2025-08-14 cs.AI cs.DL
Deep Neural Networks for Approximating Stream Reasoning with C-SPARQL
NOVA LINCS（NOVA LINCS实验室）；Universidade Nova de Lisboa（新里斯本大学）
无论是通过报纸、博客和社交网络，还是通过监测系统，产生的信息量都在迅速增加。实时处理所有这些数据，同时考虑到有关问题领域的先进知识，这是一项挑战，但在及时评估潜在风险至关重要的情况下，这是必要的。C-SPARQL是一种用于对RDF数据流进行连续查询的语言，是流推理中比较突出的方法之一，它提供了对动态数据的连续推理能力，而不仅仅是流处理。然而，已经表明，在存在大量数据的情况下，C-SPARQL可能无法及时回答查询，特别是当传入数据的频率高于使用该数据进行推理所需的时间时。在本文中，我们调查是否可以近似使用递归神经网络和卷积神经网络，两个神经网络架构，已被证明是非常适合于时间序列预测和时间序列分类，利用其较高的处理速度，一旦网络已经训练的C-SPARQL推理。我们考虑了各种不同类型的查询，并获得整体积极的结果，具有高精度，同时提高处理时间往往由几个数量级。
2021-07-16 cs.AI
OBDA Constraints for Effective Query Answering (Extended Version)
University of Oslo（奥斯陆大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
在基于本体的数据访问（OBDA）中，用户对位于关系数据库之上的本体提出SPARQL查询。这些查询由OBDA系统即时转换为SQL查询。OBDA中的标准SPARQL到SQL转换技术通常会生成包含冗余连接和联合的SQL查询，即使在进行了大量语义和结构优化之后也是如此。这些冗余对查询应答的性能是有害的，特别是在具有大型企业数据库的复杂工业OBDA场景中。为了解决这个问题，我们引入了两个新的概念OBDA约束，并展示了如何利用它们进行高效的查询回答。我们使用真实世界的数据和查询在大型数据集上进行了一系列广泛的实验，结果表明这些技术极大地提高了查询应答的性能。
2016-05-16 cs.AI cs.DB
Integrating SPARQL and LLMs for Question Answering over Scholarly Data Sources
University of Yaounde I（雅温得第一大学）；TIB – Leibniz Information Centre for Science and Technology（莱布尼茨科学与技术信息中心（TIB））
针对2024 ISWC学术混合链接数据问答挑战赛任务，提出结合SPARQL查询、分治算法与预训练抽取式问答模型的方法，提升学术数据源问答的准确性和效率。
2024-11-28 cs.AI cs.IR
A Hypercat-enabled Semantic Internet of Things Data Hub: Technical Report
University of Huddersfield（哈德斯菲尔德大学）；British Telecommunications（英国电信）
随着传感器网络和智能设备数量的迅速增加，产生了越来越多的信息。各种各样的来源以不同的格式生成和发布信息，因此强调互操作性是物联网（IoT）成功的关键先决条件之一。数据中心的BT Hyperion为共享和使用来自广泛来源的可用数据集提供了一个焦点。在这项工作中，我们提出了一个语义丰富的BT hyperlink在数据中心，使用公认的语义Web标准和工具。我们提出了一个本体，捕捉导入数据的语义，并通过SPARQL和SQL查询之间的映射，提出了BT SPARQL端点。此外，联邦SPARQL查询允许对多个基于中心的数据源和外部数据源进行查询。最后，我们提供了两个用例，以说明我们的语义方法所提供的优势。
2017-03-12 cs.AI cs.DB
Text-to-SPARQL Goes Beyond English: Multilingual Question Answering Over Knowledge Graphs through Human-Inspired Reasoning
WSE Research Group, Leipzig University of Applied Sciences（莱比锡应用科学大学WSE研究组）；DICE Research Group, University of Paderborn（波德恩堡大学DICE研究组）
针对多语言知识图谱问答，本文提出受人类启发的 mKGQAgent 框架，通过 LLM 智能体协同完成规划、实体链接与查询精化，并在 Text2SPARQL 2025 两项基准中夺冠。
2025-07-22 cs.AI cs.CL cs.IR
SPARQL Generation: an analysis on fine-tuning OpenLLaMA for Question Answering over a Life Science Knowledge Graph
Department of Ecology and Evolution, University of Lausanne, Switzerland（生态与进化系，洛桑大学，瑞士）；SIB Swiss Institute of Bioinformatics, Lausanne, Switzerland（瑞士生物信息学研究所，洛桑，瑞士）
针对特定领域知识图谱问答任务中问题转SPARQL查询训练数据稀缺的问题，本研究提出端到端数据增强方法并评估OpenLlama微调策略，结合语义线索（如有意义变量名）在Bgee图谱上使性能提升33%。
2024-02-07 cs.AI cs.CL cs.DB
Build2SPARQL: A Large-Scale Text-to-SPARQL Benchmark Dataset for Building Knowledge Graph Querying
提出Build2SPARQL，一个由知识图谱接地流程生成的大规模建筑知识图谱文本到SPARQL基准，包含6,136个查询和30,680个问题，人工验证高保真度，检索增强评估显著提升模型准确率。
2026-10-02 cs.AI
Learning to Refine: An Agentic RL Approach for Iterative SPARQL Query Construction
Faculty of Electrical Engineering, Mathematics and Computer Science（电气工程、数学与计算机科学学院）；University of Twente（特文特大学）；Microsoft Netherlands（微软荷兰）
针对LLM一次性生成SPARQL查询的脆弱性问题，提出基于强化学习的智能体框架，通过迭代构建策略实现动态调试优化，3B参数模型在LC-QuAD 2.0子集上准确率达49.7%，较基线提升17.5个百分点，为符号工具交互提供新范式。
2025-11-14 cs.AI cs.LG
Agentic SPARQL: Evaluating SPARQL-MCP-powered Intelligent Agents on the Federated KGQA Benchmark
WU Vienna（维也纳经济大学）；Leuphana Universität Lüneburg（吕讷堡大学）；Complexity Science Hub Vienna（维也纳复杂性科学中心）
本文探讨了基于SPARQL-MCP的智能代理在联邦SPARQL查询中的潜力，扩展了知识图谱问答基准，并评估了通过MCP集成SPARQL联邦与LLM代理的能力。
2026-04-09 cs.AI cs.IR cs.MA
Creating and Querying Personalized Versions of Wikidata on a Laptop
Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）；Ontology Engineering Group, Universidad Politécnica de Madrid（马德里理工大学本体工程组）
今天的应用程序开发人员有三种选择来利用维基数据中的知识：他们可以下载JSON或RDF格式的维基数据转储，他们可以使用维基数据API来获取有关单个实体的数据，或者他们可以使用维基数据SPARQL端点。这些方法都不能支持复杂但常见的查询用例，例如检索大量数据或聚合大部分维基数据。本文介绍了KGTK Kypher，一种查询语言和处理器，允许用户在笔记本电脑上创建维基数据的个性化变体。我们提出了几个用例，说明Kypher使用户能够在笔记本电脑上的完整Wikidata KG上运行的分析类型，结合来自外部资源（如DBpedia）的数据。这些用例的Kypher查询在笔记本电脑上运行的速度比在强大的服务器上运行的维基数据克隆上的等效SPARQL查询快得多，超时限制为24小时。
2021-08-18 cs.AI
BigCQ: A large-scale synthetic dataset of competency question patterns formalized into SPARQL-OWL query templates
Poznan University of Technology（波兹南理工大学）
能力问题（CQ）在许多本体工程方法中用于收集需求并跟踪正在构建的本体的完整性和正确性。虽然它们经常被本体工程方法学建议，但公开可用的CQ数据集及其在本体查询语言中的形式化非常稀缺。由于正在进行利用CQ实现流程自动化的初步努力，因此提供大型且多样化的数据集来推动这些解决方案非常重要。在本文中，我们介绍了最大的CQ模板数据集BigCQ，并将其形式化为SPARQL-OWL查询模板。BigCQ是从常用公理形状的数据集自动创建的。如果填充有来自给定本体的资源标签和IRI，则这些CQ模板和查询模板对可以被具体化为实际CQ和SPARQL-OWL查询。我们详细描述了数据集，描述了创建数据集的过程，并分析了数据集如何覆盖真实世界的示例。我们还发布了数据集以及将公理形状转换为CQ模式和SPARQL-OWL模板对的脚本，以使工程师能够根据他们的特定需求调整过程。
2021-05-20 cs.AI
SPARQL Generation with Entity Pre-trained GPT for KG Question Answering
National Institute of Informatics (NII)（国立信息学研究所）
该研究面向知识图谱问答任务，以实体链接正确为前提，提出基于CWA下所有实体预训练GPT模型以生成SPARQL查询，找出了少/零样本下的难点，在3-shots测试中获62.703%的精确匹配准确率。
2024-02-01 cs.AI cs.CL cs.DB
A large collection of bioinformatics question-query pairs over federated knowledge graphs: methodology and applications
SIB Swiss Institute of Bioinformatics（瑞士生物信息学研究所）
该研究构建了包含1000多个生物信息学自然语言问题与SPARQL查询对（含65个联邦查询）的大型集合，提出基于现有标准的统一表示方法及开源应用，助力知识图谱用户查询并推动相关机器学习研究。
2024-10-08 cs.AI cs.DB cs.IR
Knowledge Graph Question Answering via SPARQL Silhouette Generation
IBM Research（IBM研究院）
随着大规模知识图谱的出现，知识图谱问答成为自然语言处理的一个重要研究领域。最近，基于神经机器翻译的方法正在获得动力，将自然语言查询转换为结构化查询语言，从而解决KGQA任务。然而，这些方法中的大多数都与词汇表外的单词斗争，其中在训练时间内看不到测试实体和关系。在这项工作中，我们提出了一个模块化的两阶段神经架构来解决KGQA任务。第一阶段为输入问题生成目标SPARQL的草图，称为SPARQL轮廓。这包括（1）噪声模拟器，以促进词汇表外的单词和减少词汇量（2）seq 2seq模型的文本到SPARQL轮廓生成。第二阶段是神经图搜索模块。在第一阶段中生成的SPARQL轮廓在第二阶段中通过在预测结构中替换精确关系来提取。我们通过设计一个噪声模拟器来模拟理想和现实的场景。实验结果表明，在第一阶段中生成的SPARQL轮廓的质量是突出的理想的情况下，但对于现实的情况下（即嘈杂的链接器），所得到的SPARQL轮廓的质量急剧下降。然而，我们的神经图搜索模块大大恢复了它。我们表明，我们的方法可以实现合理的性能，提高LC-QuAD-1数据集的3.72%F1的裕度。我们相信，我们提出的方法是新颖的，并将导致动态KGQA解决方案，适合于实际应用。
2021-09-06 cs.AI cs.CL cs.IR
FRASE: Structured Representations for Generalizable SPARQL Query Generation
Polytechnique Montreal（蒙特利尔理工学院）；Mila（米拉研究所）
本文提出FRASE方法，利用框架语义角色标注增强SPARQL查询生成，并构建LC-QuAD 3.0数据集，实验证明该方法在泛化场景下显著提升大型语言模型的生成性能。
2025-03-28 cs.AI cs.CL
Chatbot-Based Ontology Interaction Using Large Language Models and Domain-Specific Standards
Helmut Schmidt University（赫尔穆特·施密特大学）
本文提出利用大语言模型和聊天机器人界面将自然语言转换为严格基于本体事实的SPARQL查询，并融合领域标准文本提升准确性，实验验证了该方法在防止模型编造和提升查询质量方面的显著优势。
2024-10-17 cs.AI cs.IR
Enhancing Manufacturing Knowledge Access with LLMs and Context-aware Prompting
Bosch Center for Artificial Intelligence（博世人工智能中心）；Robert Bosch GmbH（博世集团）；Mobility Electronics（移动电子）
针对制造业知识图谱查询门槛高的问题，研究了多种上下文感知提示策略，通过向大语言模型提供恰当的知识图谱模式上下文，提升了SPARQL查询生成的准确性与完整性，降低幻觉风险，推动制造领域复杂数据的民主化访问。
2025-07-30 cs.AI
From Graph Retrieval to Schema Realization: Counterfactual Validation for Text-to-SPARQL over Heterogeneous Knowledge Graphs
University of Bristol（布里斯托大学）
提出SchemaForge框架，通过问题条件化的模式切片对齐和反事实验证，在异构知识图谱上提升文本到SPARQL查询生成的执行准确率。
2026-06-03 cs.AI cs.CL
NLQxform: A Language Model-based Question to SPARQL Transformer
University of Zurich（苏黎世大学）
针对学术知识图谱查询难题，提出NLQxform系统，利用BART模型将自然语言问题转换为SPARQL查询，在DBLP-QUAD任务上以F1=0.85排名第一。
2023-11-08 cs.AI cs.CL
Ontology-Guided, Hybrid Prompt Learning for Generalization in Knowledge Graph Question Answering
University of Hamburg（汉堡大学）；Leuphana University Lüneburg（吕讷堡勒法纳大学）；Institute for Information Systems（信息系统研究所）
本文提出 OntoSCPrompt，通过两阶段架构与本体引导的混合提示学习，使基于大语言模型的知识图谱问答系统无需重新训练即可泛化到未见知识图谱，并在多个数据集上达到 SOTA 水平。
2025-02-06 cs.AI cs.CL
Increasing the LLM Accuracy for Question Answering: Ontologies to the Rescue!
data.world AI Lab（data.world AI实验室）
针对Text-to-SPARQL问答中LLM生成错误路径查询的问题，提出OBQC本体语义检查与LLM修复相结合的方法，将基准准确率提升至72%、错误率降至20%。
2024-05-20 cs.AI cs.DB cs.IR
Question Answering for Complex Electronic Health Records Database using Unified Encoder-Decoder Architecture
KAIST（韩国科学技术院）
基于电子健康记录（EHR-QA）回答人类问题的智能机器具有很大的实用价值，例如支持临床决策，管理医院管理和医疗聊天机器人。以往基于表的QA研究侧重于将自然问题转换为表查询（NLQ 2SQL），然而，由于复杂和专业的医学术语，EHR数据的独特性，因此增加了解码难度。在本文中，我们设计了UniQA，一个统一的编码器-解码器架构的EHR-QA的自然语言的问题转换为查询，如SQL或SPARQL。我们还提出了输入屏蔽（IM），这是一种简单有效的方法，可以处理复杂的医学术语和各种错别字，并更好地学习SQL/SPARQL语法。通过将统一架构与有效的辅助训练目标相结合，UniQA与EHR领域中最复杂的NLQ 2SQL数据集MIMICSQL*（14.2%的增益）及其拼写错误版本（约28.8%的增益）相比，表现出了显著的性能提升。此外，我们确认了基于图形的EHR-QA数据集MIMICSPARQL* 的一致结果。
2021-11-14 cs.AI cs.CL cs.LG
ALIST: Associative Logic for Inference, Storage and Transfer. A Lingua Franca for Inference on the Web
University of Edinburgh（爱丁堡大学）
支持构建知识图谱的最新发展已经导致在网络上和组织内创建知识图谱的快速增长。添加到现有的数据源，包括关系数据库、API等，存在对查询这些不同知识源的技术的强烈需求。虽然存在用于查询某些知识图谱的形式化查询语言（例如SPARQL），但是用户需要知道他们需要查询哪些知识图谱以及他们需要的资源的唯一资源标识符。虽然神经信息检索中的替代技术将知识图谱的内容嵌入到向量空间中，但是它们不能提供所需的表示和查询表达性（例如，不能处理诸如回归的非平凡聚合函数）。我们相信，一种通用语言，即形式主义，使这种代表性的灵活性，将增加智能自动代理的能力，结合不同的数据源的推断。我们的工作提出了一个灵活的表示（ALLIS），以支持智能联合查询不同的知识源。我们的贡献包括：（1）从知识图谱的特定查询语言中抽象出查询表示的形式化;（2）动态管理数据和函数的表示（操作）在不同的知识源上执行非平凡的推理;（3）列表的表现力的演示，以表示表示形式主义的多样性，包括SPARQL查询，以及更一般的一阶逻辑表达式。
2023-03-12 cs.AI
