تعتبر نماذج الرسم البياني من الركائز الأساسية لتحليل البيانات، خصوصاً في المجالات التي تتميز بالعلاقات المعقدة. وبينما يتمتع SQL بمعيار موحد وانتشار واسع، فإن لغات استعلام الرسم البياني مثل Cypher و GQL و SQL/PGQ تظل متنوعة وصعبة التعلم للمستخدمين. يأتي نظام Text-to-Graph-Query ليحل هذه التحديات من خلال تحويل اللغة الطبيعية إلى استعلامات رسم بياني قابلة للتنفيذ، مما يجعل نماذج اللغات الضخمة (Large Language Models) مثل الواجهة المثالية لإدارة قواعد بيانات الرسم البياني (Graph Database Management Systems).

ومع محدودية المعايير الموجودة بخصوص تغطية اللغة واعتمادها على طرق تركيب صارمة، يُقدّم Text2GraphQuery-Bench كأول معيار شامِل يسمح بتقييم استعلامات الرسم البياني من النصوص. يحوي المعيار على 267,276 مجموعة من استعلامات الرسم البياني استنادًا إلى 34 قاعدة بيانات و13 مجالاً مختلفاً. تعتمد بنية المعيار على تكيف الموارد المتنوعة ودعم التصنيع المستند إلى المعرفة المحددة لكل مجال، مما يوفر إمكانية التوسع السريع إلى لغات جديدة.

تكشف التجارب التي أجريت على 8 نماذج لغوية ضخمة عن وجود فجوة كبيرة في اللغة، حيث تُظهر النتائج أن شيفرات GQL و SQL/PGQ بالكاد تصل إلى مستوى اللغة Cypher. لكن، يمكن لاستراتيجية دفع التعليمات بشكل مُركّز (few-shot prompting) أن تعيد التعويض بشكل كبير.

كلما زادت مستويات الإشراف والتحكم في النموذج، انخفضت أخطاء الصياغة، مما أدى إلى انتقال العقبات إلى منطق التجميع في GQL والربط بالمخطط في SQL/PGQ. تم رصد أن زيادة تجريد الأسئلة تؤدي إلى ضعف في الأداء بسبب مشاكل ارتباط النية بالمخطط، لكن تأثير التداخل بالمخطط كان ضئيلاً.

تكمن الصعوبات في الاستعلامات المعقدة، حيث تُظهر النتائج تدهور الأداء من السهل إلى الصعب جداً، مع بقاء الفئات الصعبة جداً كبقعة مزعجة على الأداء العام.

بفضل هذا الابتكار، تصبح عملية تحليل البيانات أكثر سهولة ودقة، حيث يمكن للمستخدمين الآن الوصول بشكل أسرع وأكثر فاعلية إلى البيانات المعقدة.