SpaRAGraph：一种结合检索增强生成技术的空间推理方法

空间知识检索增强大语言模型在空间推理任务中的应用研究。提出SpaRAGraph框架，通过空间-RDF数据转换捕捉邻近实体空间关系，构建图索引实现语义遍历，并在推理时动态检索相关时空上下文，提升模型对空间问题的分类准确率。开发了包含二分类、多分类和多标签任务的基准测试集，验证了框架在真实世界空间实体识别中的有效性。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

大型语言模型（LLMs）的出现使得科学、医疗、金融和法律等多个领域的应用变得更加强大。然而，LLMs的空间推理能力仍然有限。我们的目标是提高LLMs对空间查询的响应准确性。为此，我们采用了推理时检索增强生成（RAG）技术，利用外部数据来丰富LLMs的上下文。我们提出了SpaRAGraph框架，该框架能够：i) 执行空间到RDF的数据处理，以捕捉附近实体之间的空间关系；ii) 使用图结构对关系-RDF进行索引，以便于语义遍历；iii) 在推理时检索与问题相关的内容，并结合事实性和空间信息来提升LLMs的准确性。此外，我们还提供了一个空间推理基准测试，用于评估LLMs在处理现实世界中空间实体的二元分类、多类分类和多标签分类任务时的表现。总体而言，SpaRAGraph为利用空间知识检索技术提高LLMs在空间推理任务中的效果奠定了基础。

人工智能摘要

人工智能生成的摘要（实验性结果）

此摘要是由自动化工具生成的，并非由文章作者撰写或审核。提供该摘要的目的是为了帮助读者发现新信息、评估文章的相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍然是文章的官方总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于我们改进未来的摘要版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。