Ein DeBERTa-basiertes semantisches Konvertierungsmodell für raum-zeitliche Fragen in natürlicher Sprache

Um aktuellen Problemen bei raum-zeitlichen Abfragen in natürlicher Sprache zu begegnen – darunter ein unzureichendes semantisches Verständnis der Fragen, eine unvollständige Extraktion semantischer Informationen und eine ungenaue Absichtserkennung –, wird in dieser Arbeit NL2Cypher vorgeschlagen, ein auf DeBERTa (Decoding-enhanced BERT with disentangled attention) basierendes semantisches Konvertierungsmodell für raum-zeitliche Fragen in natürlicher Sprache. Das Modell führt zunächst eine semantische Kodierung von raum-zeitlichen Fragen in natürlicher Sprache durch, extrahiert vortrainierte Merkmale basierend auf dem DeBERTa-Modell, speist Merkmalvektorsequenzen in ein BiGRU (Bidirectional Gated Recurrent Unit) ein, um Textmerkmale zu lernen, und erhält schließlich über eine CRF-Schicht (Conditional Random Field) global optimale Labelsequenzen. Anschließend führt es basierend auf den Kodierungsergebnissen eine Klassifizierung und ein semantisches Parsing der raum-zeitlichen Fragen durch, um eine Erkennung der Frageabsicht und eine Konvertierung in die Cypher-Abfragesprache zu erreichen. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene DeBERTa-basierte Konvertierungsmodell NL2Cypher bei Verwendung eines chinesischen Korpus sowohl bei einfachen als auch bei zusammengesetzten Abfragen eine präzise Extraktion semantischer Informationen und ein genaues Absichtsverständnis erreichen kann, wobei ein F1-Score von 92.69% erzielt wird, mit einer signifikanten Genauigkeitsverbesserung im Vergleich zu anderen Modellen. Die Konvertierungsgenauigkeit von raum-zeitlichen Fragen in die Abfragesprache erreicht 88% auf dem Trainingsset und 92% auf dem Testset. Das vorgeschlagene Modell kann raum-zeitliche Daten mithilfe von Fragen in natürlicher Sprache schnell und präzise abfragen. Die Forschungsergebnisse liefern neue Werkzeuge und Perspektiven für den nachfolgenden Aufbau von Knowledge Graphs und die intelligente Beantwortung von Fragen und fördern effektiv die Weiterentwicklung von Geoinformationen hin zu intelligenten Diensten.