An Event-Driven Approach for Querying Graph-Structured Data Using Natural Language.
Notice bibliographique
Résumé
An ideal way for people to query graph-based knowledge, including triplestores in the semantic web, would be for them to ask questions in a natural language (NL). However, existing NL query interfaces to graph-based data have limited expressive power and cannot accommodate arbitrarilynested quantification (i.e. phrases such as “a gangster who joined every gang”) together with multiple complex prepositional phrases, such as “in a city located in Illinois in 1918 using a set of keys that was stolen from a gangster”. It would appear that the commonly-used “entity-based ” triplestores, together with what has become the de-facto approach of converting NL queries to SPARQL queries before being evaluated, hinders the development of expressive NL query processors. The reason is that entity-based triples are not conducive to the development of semantic theories of complex prepositional phrases, and the development of such theories is made considerably more complex when translation to SPARQL has to be taken into account. An alternative approach, which uses “event-based ” triplestores, treats (bracketed) English queries as expressions of the lambda calculus which can be evaluated directly with respect to the triplestore. This approach facilitates the development of a formal denotational semantics of English queries which easily accommodates complex prepositional phrases. The approach described here could be used to develop a denotational semantics for a highly-expressive NL query language, and then that semantics could be used to guide the design of an NL query to SPARQL translator, thereby taking advantage of SPARQL optimizations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».