通过接地知识图谱数据生成实现精准的 Text-To-Cypher

来源：arXiv cs.CL 提交日期：2026年6月12日 标题：Achieving Precise Text-To-Cypher Via Grounded Knowledge Graph Data Generation

背景

随着数据异构性的日益增加，属性图（Property Graphs）正迅速被采纳为表示异构数据源的数据库框架。属性图能够灵活地存储节点、关系及其属性，非常适合处理复杂的企业级数据。然而，要实现对属性图中信息的精确访问，传统的查询语言 Cypher 具有较高的学习门槛，非技术人员难以直接使用。

为了解决这一交互障碍，基于自然语言到 Cypher 查询转换（Text-To-Cypher 或 Text2Cypher）的解析器成为了关键的技术方向。这类技术允许用户通过自然语言对话接口直接查询数据库。然而，现有的小型大语言模型（Small LLMs）在生成准确 Cypher 查询方面往往表现不佳，而大型专有模型虽然性能优越，但通常无法在本地部署，这引发了数据主权（Data Sovereignty）和隐私安全的顾虑。因此，如何低成本地提升小型模型在 Text-To-Cypher 任务上的性能，成为学术界和工业界共同关注的难题。

核心内容

本文提出了一种自动化的合成数据生成方法，旨在通过“接地”（Grounded）的知识图谱数据生成，来微调小型大语言模型，使其能够胜任高精度的 Text-To-Cypher 任务。

1. 自动化合成数据生成

传统的模型微调依赖于大量人工标注的高质量数据，这不仅成本高昂，而且耗时费力。本文提出的方法核心在于构建一个自动化的流程，从现有的知识图谱数据中生成成对的“自然语言问题 - Cypher 查询”数据。这种“接地”的数据生成方式确保了生成的训练数据与底层图谱结构紧密相关，从而提高了数据的有效性和准确性。

2. 小型 LLM 的微调与性能提升

研究团队利用生成的合成数据对小型大语言模型进行微调。实验结果显示，经过这种特定领域数据训练的小型模型，其性能得到了显著提升。更重要的是，这些经过微调的小型模型在多个主要的 Text-To-Cypher 基准测试中，表现足以与规模大得多的专有模型相媲美。

3. 本地部署与数据主权

该研究的一个重要应用场景是本地部署。在许多对数据隐私和主权有严格要求的环境中（如金融、医疗或政府机构），使用云端专有模型存在合规风险。本文的方法证明了，通过高质量的合成数据微调，可以在本地部署的小型模型上实现高精度的查询生成，从而在确保数据不出域、不依赖昂贵的人工标注活动的前提下，兼顾了准确性与数据主权。

关键要点

• 技术痛点：属性图数据库普及但查询门槛高，Text-To-Cypher 是降低门槛的关键，但小型模型准确率不足，大型模型难以本地部署。
• 核心方法：提出了一种自动化的合成数据生成方法，基于接地知识图谱生成训练数据，用于微调小型 LLM。
• 性能对比：在多个主要的 Text-To-Cypher 基准测试中，经过合成数据微调的小型 LLM 性能显著提升，能够与规模大得多的专有模型竞争。
• 部署优势：该方法支持模型在本地部署，解决了数据主权问题，避免了数据泄露风险。
• 成本效益：无需进行昂贵且耗时的人工标注活动，通过自动化生成数据即可实现模型性能的飞跃。

意义与影响

这项研究在知识图谱交互和大模型应用落地方面具有重要的现实意义。

首先，它降低了高性能 Text-To-Cypher 系统的门槛。以往，要实现高精度的自然语言转查询，往往需要依赖昂贵的 API 调用或庞大的模型资源。本文证明，通过巧妙的数据工程（合成数据生成），小型开源模型也能达到接近专有模型的水平，这极大地促进了开源生态在垂直领域的应用。

其次，它解决了数据主权与隐私保护的矛盾。在数据合规日益严格的今天，企业越来越倾向于本地化部署 AI 模型。本文的方法提供了一种可行的路径，使得企业在不牺牲查询准确率的前提下，能够完全掌控自己的数据和模型，无需将敏感数据发送给第三方云服务提供商。

最后，它展示了合成数据在特定领域微调中的巨大潜力。通过“接地”的知识图谱数据生成，证明了自动化数据构建可以有效弥补人工标注的不足，为其他需要结构化输出（如 SQL、GraphQL 等）的自然语言处理任务提供了可借鉴的方法论。