基于 LLM 的语义多样化且真实的领域模型实例的生成

最近提出了 大语言模型 (LLM)，用于通过推荐额外的模型元素来支持主要与完成部分模型相关的领域建模任务。然而，还有更多的建模任务，其中之一是域模型的实例化以表示具体的域对象。尽管有大量工作支持生成结构上有效的实例化，但通过在实例中包含现实值并确保生成语义多样化的模型来合并现实世界语义仍然存在开放的挑战。只有这样，这些生成的模型才会变得易于人类理解，并在教育或数据驱动的研究环境中发挥作用。为了应对这些挑战，本文提出了一种采用 LLM 和两种提示策略，并与现有模型验证工具相结合的方法，用于实例化语义上真实且多样化的领域模型，并表示为 UML 类图。我们将我们的方法应用于教育中使用的模型以及不同领域文献中可用的模型，并根据语法正确性、模型一致性、语义正确性和生成值的多样性来评估生成的实例。结果表明，生成的实例在语法上大部分是正确的，符合领域模型，并且仅存在少量语义错误。此外，生成的实例值在语义上是多样化的，即符合领域的具体现实示例以及一个模型内的值的组合在语义上是一致的。