- 简介大型语言模型(LLMs)在企业应用中具有应用前景,可用于企业SQL数据库的问题回答。然而,鉴于缺乏适用于企业环境的Text-to-SQL基准测试,LLMs能否准确地回答此类数据库中的企业问题仍不清楚。此外,知识图谱(KGs)提供商业背景,从而增强基于LLM的问题回答的潜力尚不清楚。本研究旨在评估LLM驱动的问题回答系统在企业问题和SQL数据库环境下的准确性,同时探讨知识图谱在提高准确性方面的作用。为了实现这一目标,我们引入了一个基准测试,包括保险领域的企业SQL架构、涵盖报告到指标的一系列企业查询,以及一个包含本体和映射的上下文层,定义了一个知识图谱。我们的主要发现是,使用GPT-4进行零-shot提示,直接在SQL数据库上回答问题的准确率为16%。值得注意的是,当问题在企业SQL数据库的知识图表示上提出时,准确率提高到54%。因此,投资于知识图谱为LLM驱动的问题回答系统提供了更高的准确性。
- 图表
- 解决问题评估LLM在企业SQL数据库中的问题回答准确性以及知识图谱在提高准确性中的作用。
- 关键思路使用知识图谱来提高LLM的问题回答准确性,可以使准确性从16%提高到54%。
- 其它亮点论文提出了一个基于保险领域的企业SQL架构的基准测试,并使用GPT-4进行了实验。实验表明,使用知识图谱可以显著提高LLM的问题回答准确性。论文的贡献在于提出了一个新的解决方案,并在企业领域中进行了实验。
- 最近的相关研究包括:1.《SQLNet: Generating Structured Queries from Natural Language Without Reinforcement Learning》2.《Improving Text-to-SQL Evaluation Methodology》3.《Spider: A Large-Scale Human-Labeled Dataset for Complex and Cross-Domain Semantic Parsing and Text-to-SQL Task》
沙发等你来抢
去评论
评论
沙发等你来抢