GGC：选择性查询修正以实现可靠的文本到 SPARQL 生成

大语言模型 (LLM) 在结构化查询生成方面表现出了强大的功能，使其成为 Text-to-SPARQL 的自然选择，它将自然语言问题转换为知识图谱上的可执行 SPARQL 查询。然而，它们的初始输出仍然不可靠：生成的查询可能是可执行的，但在语义上与输入问题不一致，导致检索不正确。为了解决这个问题，我们提出了 Generator-Gate-Corrector (GGC)，这是一个基于 LLM 的可靠文本到 SPARQL 生成的框架。 GGC 首先使用 Generator 生成初始查询，然后应用 Gate 来预测是否需要纠正，最后仅针对选定的高风险查询调用 Corrector。这种选择性纠正机制避免了不必要的修改，并降低了原始正确查询降级的风险。 MCQA 上的实验表明，与纠正所有生成的查询相比，GGC 将查询级准确率从 90.23\% 提高到 98.33\%，同时将推理开销减少了 45\%。消融研究表明，门在跨阈值时具有鲁棒性，并且校正器训练数据的组成会影响校正的有效性和稳定性。总体而言，结果表明选择性校正提高了基于 LLM 的文本到 SPARQL 生成的准确性、可靠性和效率。