Aligning Large Language Models to a Domain-specific Graph Database

本文是LLM系列文章，针对《Aligning Large Language Models to a Domain-specific Graph Database》的翻译。

摘要

图数据库（Graph DB）广泛应用于金融、社交网络和医学等各个领域。然而，由于其固有的复杂性和专业性，将自然语言（NL）翻译成图查询语言（GQL）（通常称为NL2GQL）被证明是具有挑战性的。一些方法试图利用大型语言模型（LLM）来处理类似的任务，如text2SQL。然而，当涉及到特定域上的NL2GQL任务时，由于缺乏特定于域的NL-GQL数据对，因此很难在LLM和图形DB之间建立对齐关系。为了应对这一挑战，我们提出了一个定义明确的管道。具体来说，我们利用ChatGPT在给定的图DB的基础上创建NL-GQL数据对，并进行自我指导。然后，我们使用创建的数据来微调LLM，从而实现LLM和图形DB之间的对齐。此外，在推理过程中，我们提出了一种方法，该方法提取与查询的NL相关的模式作为输入上下文，以指导LLM生成准确的GQL。我们在两个构建的数据集上评估了我们的方法，这两个数据集源自金融领域和医学领域的图数据库，即FinGQL和MediGQL。实验结果表明，我们的方法显著优于一组基线方法，EM上的绝对点分别提高了5.90和6.36，EX上的绝对值分别提高了6.00和7.09。

1 引言

2 相关工作

3 前言

4 我们的方法

5 实验

6 结论

在本文中，我们提出了一个管道，用于在给定的图数据库上寻址NL2GQL任务。首先，我们构建了一个基于图数据库的NL2