연구자들은 전문 분야 아카이브의 내용을 질문하는 데 어려움을 겪지만, 구조화된 메타데이터 질의를 작성할 전문 지식이 부족한 경우가 많습니다. OWL 온톨로지를 활용하면 LLM이 추가 훈련 없이 정확한 구조화된 질의를 생성할 수 있습니다. NLKGQ 시스템은 자연어 질문을 SPARQL로 변환하여 지식 그래프에서 실행하는 프레임워크입니다.
NLKGQ 개발 과정은 전문 용어와 의미를 OWL 온톨로지로 포착하는 것부터 시작합니다. 전문 분야 코드는 아카이브 소스에서 메타데이터를 추출하여 온톨로지로 정의된 지식 그래프에 가져옵니다. 이 과정은 여러 분야에서 재사용 가능하도록 설계되었습니다.
연구자들은 웹 인터페이스를 통해 자연어 질문을 할 수 있으며, LLM은 이를 SPARQL로 변환합니다. OWL의 구조적 특징은 LLM 기반 질의 생성에서 SQL DDL보다 상당한 이점을 제공합니다.
8가지 온톨로지 표현에 대한 연구 결과, 가독성 있는 개체 이름과 의미 주석이 정확도에 가장 큰 영향을 미치는 것으로 나타났으며, 모델 선택이나 프롬프트 엔지니어링보다 중요합니다.