TECNICHE DI MACHINE LEARNING PER LA GENERAZIONE DI LINGUAGGIO NATURALE DA RDF

In recent years, the Resource Description Framework (RDF) and Natural Language Generation (NLG) have become pivotal topics in Artificial Intelligence (AI) and the semantic web. RDF facilitates structured data sharing and interoperability on the web, while NLG transforms this data into human-readable text. This thesis aims to evaluate a new NLG approach that overcomes the limitations of traditional template-based methods by utilizing Large Language Models (LLMs), with a focus on Meta LLaMa3. The research explores the limitations of existing templatebased methods and introduces a novel approach leveraging Meta LLaMa3, as well as methods based on GPT-4 and GPT-3.5. The findings suggest that the templatebased verbalization improved with GPT-4 strikes an optimal balance between clarity and precision, making it the best option. While the Meta LLaMa3 with GPT-4 and stand-alone GPT-4 versions offer strong performances, the template-based approach enhanced with GPT-4 excels in combining readability, completeness, and precision. This result indicates that integrating LLM capabilities with structured approaches can lead to optimal solutions for NLG from RDF data.

Negli ultimi anni, il Resource Description Framework (RDF) e la Natural Language Generation (NLG) sono diventati argomenti cruciali nell’intelligenza artificiale (AI) e nel web semantico. RDF facilita la condivisione strutturata dei dati e l'interoperabilità sul web, mentre NLG trasforma questi dati in testo leggibile dall'uomo. Questa tesi mira a valutare un nuovo approccio NLG che supera i limiti dei tradizionali metodi basati su modelli utilizzando Large Language Models (LLM), con un focus su Meta LLaMa3. La ricerca esplora i limiti dei metodi esistenti basati su modelli e introduce un nuovo approccio che sfrutta Meta LLaMa3, nonché metodi basati su GPT-4 e GPT-3.5. I risultati suggeriscono che la verbalizzazione basata su modelli migliorata con GPT-4 raggiunge un equilibrio ottimale tra chiarezza e precisione, rendendola l’opzione migliore. Mentre Meta LLaMa3 con GPT-4 e le versioni GPT-4 standalone offrono ottime prestazioni, l'approccio basato su modelli migliorato con GPT-4 eccelle nel combinare leggibilità, completezza e precisione. Questo risultato indica che l'integrazione delle capacità LLM con approcci strutturati può portare a soluzioni ottimali per NLG dai dati RDF.