ترجمه فارسی مقاله QirK: پاسخ به سؤال از طریق نمایش متوسط ​​در نمودارهای دانش

چکیده

We demonstrate QirK, a system for answering natural language questions on Knowledge Graphs (KG). QirK can answer structurally complex questions that are still beyond the reach of emerging Large Language Models (LLMs). It does so using a unique combination of database technology, LLMs, and semantic search over vector embeddings. The glue for these components is an intermediate representation (IR). The input question is mapped to IR using LLMs, which is then repaired into a valid relational database query with the aid of a semantic search on vector embeddings. This allows a practical synthesis of LLM capabilities and KG reliability. A short video demonstrating QirK is available at https://youtu.be/6c81BLmOZ0U.

چکیده به فارسی (ترجمه ماشینی)

ما QIRK را نشان می دهیم ، سیستمی برای پاسخ به سؤالات زبان طبیعی در مورد نمودارهای دانش (کیلوگرم).Qirk می تواند به سؤالات ساختاری پیچیده ای پاسخ دهد که هنوز فراتر از دسترس مدلهای بزرگ زبان در حال ظهور (LLMS) است.این کار با استفاده از ترکیبی منحصر به فرد از فناوری پایگاه داده ، LLMS و جستجوی معنایی در مورد تعبیه های بردار انجام می شود.چسب برای این مؤلفه ها بازنمایی میانی (IR) است.سوال ورودی با استفاده از LLMS به IR نقشه برداری می شود ، که سپس با کمک یک جستجوی معنایی در تعبیه های وکتور ، در یک پرس و جو پایگاه داده رابطه ای معتبر تعمیر می شود.این اجازه می دهد تا یک سنتز عملی از قابلیت های LLM و قابلیت اطمینان کیلوگرم.یک فیلم کوتاه که نشان دهنده Qirk است در https://youtu.be/6c81blmoz0u در دسترس است.