SpaRAGraph: пространственное рассуждение с использованием генерации с дополненной поиском информацией

Появление больших языковых моделей (LLM) сделало возможным создание эффективных приложений в различных областях, включая науку, здравоохранение, финансы и право. Однако возможности LLM в области пространственного вывода ограничены. Наша цель заключается в обеспечении более точных ответов LLM на пространственные запросы. Для этого мы используем генерацию с дополненной поиском информацией (RAG) во время вывода, чтобы обогащать контекст LLM внешними данными. Мы представляем SpaRAGraph — платформу, которая (i) выполняет преобразование пространственных данных в RDF для фиксации пространственных отношений между близлежащими сущностями, (ii) индексирует RDF-описания отношений с помощью графа для обеспечения семантического обхода и (iii) извлекает контекст, релевантный вопросу, во время вывода, дополняя его фактической пространственной информацией и повышая точность LLM. Кроме того, мы представляем бенчмарк пространственного рассуждения, предназначенный для оценки LLM в задачах бинарной, многоклассовой и многометочной классификации реальных пространственных сущностей. В целом SpaRAGraph закладывает основу для использования методов извлечения пространственных знаний с целью повышения эффективности LLM в задачах пространственного рассуждения.