Feb, 2024

将大型语言模型对齐到领域特定的图数据库

PDF
TL;DR使用 ChatGPT 创建自我指导的领域特定自然语言 - 图查询数据对以及使用这些数据对大型语言模型进行微调，并提出了一种提取相关模式的方法来引导模型生成准确的图查询语言（GQL）。实验证明，该方法在金融领域和医学领域的图数据库上取得了显著的性能改进。
发现论文，激发创造
  • GLaM: 通过邻域分区和生成子图编码对领域知识图的大型语言模型进行微调

    我们介绍了一种用于开发图形对齐的语言模型（GLaM）的微调框架，该框架将知识图形转化为具有标签的问题 - 答案对的替代文本表示。我们证明，以特定基于图形的知识为基础的模型具有更强的结构化推理能力。我们的方法利用大型语言模型的生成能力创建数据集，并提出了一种效率高于检索增强型生成方法的替代方法。

    Feb, 2024

  • 使用 SQL 查询大型语言模型

    使用大语言模型和 SQL 查询从自然语言文本中提取数据和查询，是信息检索和处理的新方向并带来了新的挑战和机遇。

    Apr, 2023

  • 将图形与大型语言模型融合：方法与前景

    大型语言模型与图结构化数据的集成可以通过增强现有图算法和作为预测模型来提升性能，同时结合图结构可以在各种复杂任务中显著改善大型语言模型的表现。

    Oct, 2023

  • $R^3$-NL2GQL: 一种综合模型方法，用于提高准确性和减轻幻觉

    当前的基础模型构建的 NL2SQL 任务在自然语言到图查询语言（NL2GQL）任务中的直接应用存在挑战，我们引入了 R3-NL2GQL 方法，使用较小和较大的基础模型作为重新排序器、重写器和细化器，同时考虑到了 GQL 的差异和较多的类型，我们的实验结果表明该方法在 NL2GQL 任务中具有产生 GQL 的优异能力、更好的意图理解和高精确度的语法。

    Nov, 2023

  • 利用大型语言模型增强知识图谱构建

    本文分析了当前基础 LLM (ChatGPT) 与专门的预训练模型 (REBEL) 的联合实体和关系提取应用，以可持续发展文本为案例进行了多个实验，结果表明，使用先进的 LLM 模型可以提高从非结构化文本创建知识图谱的过程的准确性，并探索了使用基础 LLM 模型自动创建本体论的潜力，取得更相关和准确的知识图谱。

    May, 2023

  • 自然语言就是图的应有之义

    我们提出了 InstructGLM（指导调整的图语言模型），基于自然语言说明系统地设计高度可扩展的提示，使用自然语言描述图的几何结构和节点特征，通过指导调优语言模型以一种生成方式在图上执行学习和推理，超过了所有竞争的 GNN 基准数据集，证明了我们方法的有效性，并为将生成语言模型替代 GNN 作为图机器学习的基础模型提供了启示。

    Aug, 2023

  • GraphTranslator：将图模型对齐到大型语言模型用于开放式任务

    利用 GraphTranslator 桥接预训练图模型和大型语言模型，实现对预定义任务和开放性任务的统一处理，通过语言指令提供了一种统一视角。

    Feb, 2024

  • 生成图分析的大型语言模型综述：查询、学习和应用

    通过研究大型语言模型在图数据上的应用，整理了现有研究中采用高级语言模型解决的图分析问题，并指出了现存挑战和未来研究方向。

    Apr, 2024

  • 图上的大型语言模型：综合调查

    通过对大型语言模型在图形上的应用的详细技术和潜在场景进行系统回顾，我们总结了大型语言模型在纯图、文本丰富图和文本配对图中的优缺点，并讨论了其在真实世界应用中的方法以及开源代码和基准数据集。最后，我们提出了这一快速发展领域的潜在未来研究方向。

    Dec, 2023

  • Blar-SQL: 更快、更强、更小的 NL2SQL

    研究表明，通过任务分解可以大大提高大型语言模型在数据库理解和查询生成方面的能力，从而通过 SQL 查询回答人类问题。我们提出了一个新的框架，通过将架构划分为块来在有限的上下文中容纳更多信息，该方法的结果与 GPT-4 相当，但体积更小、速度更快并且成本更低。

    Jan, 2024