GGC: Selective Query Correction for Reliable Text-to-SPARQL Generation

📄 arXiv: 2607.28082v1 📥 PDF

作者: Ziyi Yang, Thanh-Son Nguyen, Tuan Anh Nguyen, Lihui Chen

分类: cs.CL

发布日期: 2026-07-30

备注: 18 pages, 1 figure

💡 一句话要点

提出GGC框架以解决文本到SPARQL生成中的查询不可靠问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 文本到SPARQL 查询生成 选择性校正 大型语言模型 知识图谱 信息检索 智能问答

📋 核心要点

  1. 现有的文本到SPARQL生成方法在生成的查询与输入问题之间存在语义不一致的问题，导致检索结果不准确。
  2. 本文提出的GGC框架通过选择性校正机制，仅对高风险查询进行校正，从而提高了生成查询的可靠性。
  3. 实验结果显示，GGC在查询级准确率上显著提升，并且在推理效率上也有明显改善，展示了其有效性。

📝 摘要（中文）

大型语言模型（LLMs）在结构化查询生成方面表现出色，适用于将自然语言问题转换为可执行的SPARQL查询。然而，初始输出往往不可靠，生成的查询可能可执行但与输入问题语义不一致，导致错误检索。为了解决这一问题，本文提出了生成器-门控-校正器（GGC）框架。GGC首先使用生成器生成初始查询，然后通过门控机制预测是否需要校正，最后仅对高风险查询调用校正器。该选择性校正机制避免了不必要的修改，降低了原本正确查询的降级风险。实验结果表明，GGC将查询级准确率从90.23%提升至98.33%，同时将推理开销降低了45%。

🔬 方法详解

问题定义：本文旨在解决文本到SPARQL生成过程中生成查询的可靠性问题。现有方法生成的查询虽然可执行，但常常与输入问题的语义不一致，导致错误的检索结果。

核心思路：GGC框架的核心思想是通过选择性校正机制，仅对那些被判定为高风险的查询进行校正，从而避免对原本正确的查询进行不必要的修改。这样的设计旨在提高生成查询的准确性和可靠性，同时降低推理开销。

技术框架：GGC框架主要由三个模块组成：生成器、门控机制和校正器。生成器负责生成初始的SPARQL查询，门控机制用于判断是否需要校正，而校正器则仅对高风险查询进行校正处理。

关键创新：GGC的主要创新在于其选择性校正机制，通过门控判断来决定校正的必要性，这与现有方法一律校正所有生成查询的做法有本质区别，从而有效降低了错误校正的风险。

关键设计：在设计上，门控机制的阈值设置经过多次实验验证，表现出良好的鲁棒性。同时，校正器的训练数据组成对校正的有效性和稳定性有显著影响，这些设计细节为GGC的成功实施提供了保障。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果表明，GGC框架在查询级准确率上从90.23%提升至98.33%，同时推理开销降低了45%。这一显著提升展示了选择性校正机制在提高生成查询可靠性方面的有效性，证明了该方法的实用价值。

🎯 应用场景

该研究的潜在应用场景包括智能问答系统、知识图谱查询和信息检索等领域。通过提高文本到SPARQL生成的准确性和效率，GGC框架能够帮助用户更准确地从知识图谱中获取信息，提升用户体验和系统性能。未来，该框架还可能扩展到其他类型的查询生成任务中，具有广泛的应用前景。

📄 摘要（原文）

Large language models (LLMs) have demonstrated strong capabilities in structured query generation, making them a natural choice for Text-to-SPARQL, which translates natural language questions into executable SPARQL queries over knowledge graphs. However, their initial outputs remain unreliable: generated queries may be executable yet semantically misaligned with input questions, leading to incorrect retrieval. To address this issue, we propose Generator-Gate-Corrector (GGC), a framework for reliable LLM-based Text-to-SPARQL generation. GGC first uses a Generator to produce an initial query, then applies a Gate to predict whether correction is needed, and finally invokes a Corrector only for selected high-risk queries. This selective correction mechanism avoids unnecessary modifications and reduces the risk of degrading originally correct queries. Experiments on MCQA show that GGC improves query-level accuracy from 90.23\% to 98.33\% while reducing inference overhead by 45\% compared with correcting all generated queries. Ablation studies show that the Gate is robust across thresholds and that Corrector training data composition affects correction effectiveness and stability. Overall, the results demonstrate that selective correction enhances the accuracy, reliability, and efficiency of LLM-based text-to-SPARQL generation.