InteracSPARQL：一个使用自然语言解释进行SPARQL查询优化的交互式系统
InteracSPARQL: An Interactive System for SPARQL Query Refinement Using Natural Language Explanations
AI总结：
本文提出交互式系统InteracSPARQL，结合LLM与基于规则的方法生成自然语言解释，支持用户通过直接反馈或LLM自我优化实时修正SPARQL查询，显著提升了查询准确率、解释清晰度与用户满意度。
摘要：
近年来，使用SPARQL查询语义网数据仍然具有挑战性，特别是对于非专家用户而言，原因在于该语言复杂的语法以及理解复杂数据结构的前提条件。为了应对这些挑战，我们提出了InteracSPARQL，这是一个交互式SPARQL查询生成与优化系统，它利用自然语言解释（NLEs）来增强用户理解并促进迭代查询优化。InteracSPARQL将LLMs与基于规则的方法相结合，首先直接从SPARQL抽象语法树（ASTs）生成结构化解释，随后进行基于LLM的语言优化。用户可以通过直接反馈或LLM驱动的自我优化来交互式地优化查询，从而能够实时纠正模糊或错误的查询组件。我们在标准基准上评估了InteracSPARQL，与基线方法相比，在查询准确性、解释清晰度和整体用户满意度方面均展现出显著提升。我们的实验进一步突显了将基于规则的方法与LLM驱动的优化相结合的有效性，以创建更易用且更稳健的SPARQL界面。
英文摘要：
In recent years, querying semantic web data using SPARQL has remained challenging, especially for non-expert users, due to the language's complex syntax and the prerequisite of understanding intricate data structures. To address these challenges, we propose InteracSPARQL, an interactive SPARQL query generation and refinement system that leverages natural language explanations (NLEs) to enhance user comprehension and facilitate iterative query refinement. InteracSPARQL integrates LLMs with a rule-based approach to first produce structured explanations directly from SPARQL abstract syntax trees (ASTs), followed by LLM-based linguistic refinements. Users can interactively refine queries through direct feedback or LLM-driven self-refinement, enabling the correction of ambiguous or incorrect query components in real time. We evaluate InteracSPARQL on standard benchmarks, demonstrating significant improvements in query accuracy, explanation clarity, and overall user satisfaction compared to baseline approaches. Our experiments further highlight the effectiveness of combining rule-based methods with LLM-driven refinements to create more accessible and robust SPARQL interfaces.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
