Temporal ontologies allow to represent not only concepts,their properties,and their relationships,but also time-varying information through explicit versioning of definitions or through the four-dimensional perduranti...Temporal ontologies allow to represent not only concepts,their properties,and their relationships,but also time-varying information through explicit versioning of definitions or through the four-dimensional perdurantist view.They are widely used to formally represent temporal data semantics in several applications belonging to different fields(e.g.,Semantic Web,expert systems,knowledge bases,big data,and artificial intelligence).They facilitate temporal knowledge representation and discovery,with the support of temporal data querying and reasoning.However,there is no standard or consensual temporal ontology query language.In a previous work,we have proposed an approach namedτJOWL(temporal OWL 2 from temporal JSON,where OWL 2 stands for"OWL 2 Web Ontology Language"and JSON stands for"JavaScript Object Notation").τJOWL allows(1)to automatically build a temporal OWL 2 ontology of data,following the Closed World Assumption(CWA),from temporal JSON-based big data,and(2)to manage its incremental maintenance accommodating their evolution,in a temporal and multi-schema-version environment.In this paper,we propose a temporal ontology query language forτJOWL,namedτSQWRL(temporal SQWRL),designed as a temporal extension of the ontology query language—Semantic Query-enhanced Web Rule Language(SQWRL).The new language has been inspired by the features of the consensual temporal query language TSQL2(Temporal SQL2),well known in the temporal(relational)database community.The aim of the proposal is to enable and simplify the task of retrieving any desired ontology version or of specifying any(complex)temporal query on time-varying ontologies generated from time-varying big data.Some examples,in the Internet of Healthcare Things(IoHT)domain,are provided to motivate and illustrate our proposal.展开更多
目前医院财务领域亟需一种能够高效、准确理解自然语言查询,并智能检索复杂财务数据的专业化解决方案,以支持决策和提升管理效率。针对医院财务数据检索中自然语言到结构化查询语言(Natural Language to SQL,NL2SQL)的挑战,文章提出了...目前医院财务领域亟需一种能够高效、准确理解自然语言查询,并智能检索复杂财务数据的专业化解决方案,以支持决策和提升管理效率。针对医院财务数据检索中自然语言到结构化查询语言(Natural Language to SQL,NL2SQL)的挑战,文章提出了一种结合大语言模型的医院财务数据智能检索方法。首先,基于医院财务业务场景构建数据集,为模型训练提供了基础支持,并通过应用思维链策略扩展数据集,提升其覆盖范围和多样性。随后,采用低秩适应(LoRA)算法,进一步优化模型在医院财务数据检索任务中的表现。实验结果表明,该方法在医院私有财务数据的检索准确率上相比现有主流模型BERT提升了20.5%,充分展示了该方法在医院财务数据智能检索中的应用价值与优越性。展开更多
在智慧城市发展进程中,交通系统的精细化管理和智能化服务面临海量异构数据处理的挑战。传统交通信息查询系统存在数据源异构性强、自然语言交互能力不足、长尾查询场景覆盖有限等问题。文章基于ChatGLM3大语言模型,创新性地构建了融合N...在智慧城市发展进程中,交通系统的精细化管理和智能化服务面临海量异构数据处理的挑战。传统交通信息查询系统存在数据源异构性强、自然语言交互能力不足、长尾查询场景覆盖有限等问题。文章基于ChatGLM3大语言模型,创新性地构建了融合NL2SQL(Natural Language to Structured Query Language)技术的智能问数系统,通过动态Schema对齐、LoRA微调优化及多维度提示工程技术,实现了交通领域复杂自然语言查询到精准SQL指令的智能转换。实验结果表明,经过微调的模型在交通信息查询任务中准确率达到78.9%,较基线模型提升15.8个百分点。本研究为交通管理智能化转型提供了创新技术路径,并对大模型在垂直领域的深度适配进行了系统性探索。展开更多
为解决铁路编组站工作人员难以快速查询生产数据和规章制度的问题,基于国产大模型DeepSeek-R1,设计了一套编组站智询系统。通过本地化私有部署DeepSeek-R1并将其与编组站综合自动化系统(CIPS,Computer Integrated Process System)安全集...为解决铁路编组站工作人员难以快速查询生产数据和规章制度的问题,基于国产大模型DeepSeek-R1,设计了一套编组站智询系统。通过本地化私有部署DeepSeek-R1并将其与编组站综合自动化系统(CIPS,Computer Integrated Process System)安全集成,结合分层智能体架构、混合检索及NL2SQL(Natural Language to Structured Query Language)技术,构建了自然语言交互式服务,支持工作人员实时获取列车状态、调车计划等生产数据及规章知识。应用表明,该系统能够准确回答用户提出的问题,为铁路货运智能化提供技术支撑。展开更多
针对当前中文NL2SQL(Natural language to SQL)监督学习中需要大量标注数据问题,该文提出基于对偶学习的方式在少量训练数据集上进行弱监督学习,将中文查询生成SQL语句。该文同时使用两个任务来训练自然语言转化到SQL,再从SQL转化到自...针对当前中文NL2SQL(Natural language to SQL)监督学习中需要大量标注数据问题,该文提出基于对偶学习的方式在少量训练数据集上进行弱监督学习,将中文查询生成SQL语句。该文同时使用两个任务来训练自然语言转化到SQL,再从SQL转化到自然语言,让模型学习到任务之间的对偶约束性,获取更多相关的语义信息。同时在训练时使用不同比例带有无标签的数据进行训练,验证对偶学习在NL2SQL解析任务上的有效性。实验表明,在不同中英文数据集ATIS、GEO以及TableQA中,本文模型与基准模型Seq2Seq、Seq2Tree、Seq2SQL、以及-dual等相比,百分比准确率至少增加2.1%,其中在中文TableQA数据集上采用对偶学习执行准确率(Execution Accuracy)至少提升5.3%,只使用60%的标签数据就能取得和监督学习使用90%的标签数据相似的效果。展开更多
文摘Temporal ontologies allow to represent not only concepts,their properties,and their relationships,but also time-varying information through explicit versioning of definitions or through the four-dimensional perdurantist view.They are widely used to formally represent temporal data semantics in several applications belonging to different fields(e.g.,Semantic Web,expert systems,knowledge bases,big data,and artificial intelligence).They facilitate temporal knowledge representation and discovery,with the support of temporal data querying and reasoning.However,there is no standard or consensual temporal ontology query language.In a previous work,we have proposed an approach namedτJOWL(temporal OWL 2 from temporal JSON,where OWL 2 stands for"OWL 2 Web Ontology Language"and JSON stands for"JavaScript Object Notation").τJOWL allows(1)to automatically build a temporal OWL 2 ontology of data,following the Closed World Assumption(CWA),from temporal JSON-based big data,and(2)to manage its incremental maintenance accommodating their evolution,in a temporal and multi-schema-version environment.In this paper,we propose a temporal ontology query language forτJOWL,namedτSQWRL(temporal SQWRL),designed as a temporal extension of the ontology query language—Semantic Query-enhanced Web Rule Language(SQWRL).The new language has been inspired by the features of the consensual temporal query language TSQL2(Temporal SQL2),well known in the temporal(relational)database community.The aim of the proposal is to enable and simplify the task of retrieving any desired ontology version or of specifying any(complex)temporal query on time-varying ontologies generated from time-varying big data.Some examples,in the Internet of Healthcare Things(IoHT)domain,are provided to motivate and illustrate our proposal.
文摘目前医院财务领域亟需一种能够高效、准确理解自然语言查询,并智能检索复杂财务数据的专业化解决方案,以支持决策和提升管理效率。针对医院财务数据检索中自然语言到结构化查询语言(Natural Language to SQL,NL2SQL)的挑战,文章提出了一种结合大语言模型的医院财务数据智能检索方法。首先,基于医院财务业务场景构建数据集,为模型训练提供了基础支持,并通过应用思维链策略扩展数据集,提升其覆盖范围和多样性。随后,采用低秩适应(LoRA)算法,进一步优化模型在医院财务数据检索任务中的表现。实验结果表明,该方法在医院私有财务数据的检索准确率上相比现有主流模型BERT提升了20.5%,充分展示了该方法在医院财务数据智能检索中的应用价值与优越性。
文摘在智慧城市发展进程中,交通系统的精细化管理和智能化服务面临海量异构数据处理的挑战。传统交通信息查询系统存在数据源异构性强、自然语言交互能力不足、长尾查询场景覆盖有限等问题。文章基于ChatGLM3大语言模型,创新性地构建了融合NL2SQL(Natural Language to Structured Query Language)技术的智能问数系统,通过动态Schema对齐、LoRA微调优化及多维度提示工程技术,实现了交通领域复杂自然语言查询到精准SQL指令的智能转换。实验结果表明,经过微调的模型在交通信息查询任务中准确率达到78.9%,较基线模型提升15.8个百分点。本研究为交通管理智能化转型提供了创新技术路径,并对大模型在垂直领域的深度适配进行了系统性探索。
文摘为解决铁路编组站工作人员难以快速查询生产数据和规章制度的问题,基于国产大模型DeepSeek-R1,设计了一套编组站智询系统。通过本地化私有部署DeepSeek-R1并将其与编组站综合自动化系统(CIPS,Computer Integrated Process System)安全集成,结合分层智能体架构、混合检索及NL2SQL(Natural Language to Structured Query Language)技术,构建了自然语言交互式服务,支持工作人员实时获取列车状态、调车计划等生产数据及规章知识。应用表明,该系统能够准确回答用户提出的问题,为铁路货运智能化提供技术支撑。
文摘针对当前中文NL2SQL(Natural language to SQL)监督学习中需要大量标注数据问题,该文提出基于对偶学习的方式在少量训练数据集上进行弱监督学习,将中文查询生成SQL语句。该文同时使用两个任务来训练自然语言转化到SQL,再从SQL转化到自然语言,让模型学习到任务之间的对偶约束性,获取更多相关的语义信息。同时在训练时使用不同比例带有无标签的数据进行训练,验证对偶学习在NL2SQL解析任务上的有效性。实验表明,在不同中英文数据集ATIS、GEO以及TableQA中,本文模型与基准模型Seq2Seq、Seq2Tree、Seq2SQL、以及-dual等相比,百分比准确率至少增加2.1%,其中在中文TableQA数据集上采用对偶学习执行准确率(Execution Accuracy)至少提升5.3%,只使用60%的标签数据就能取得和监督学习使用90%的标签数据相似的效果。
