Tonelli, Matteo
(2026)
Generazione automatica di dataset text-to-SPARQL per fine-tuning di LLM su knowledge graph clinico-oncologico.
[Laurea], Università di Bologna, Corso di Studio in
Ingegneria e scienze informatiche [L-DM270] - Cesena, Documento ad accesso riservato.
Documenti full-text disponibili:
![[thumbnail of Thesis]](https://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (1MB)
| Contatta l'autore
|
Abstract
Il lavoro proposto si colloca nel progetto Cancer Virtual Lab (CVL), il quale raccoglie i dati clinici oncologici dell'IRCCS IRST "Dino Amadori" in un Knowledge Graph interrogabile tramite SPARQL. La natura formale di SPARQL rappresenta però una barriera per il personale sanitario e un'interfaccia in linguaggio naturale (Text-to-SPARQL) permetterebbe di abbattere tale barriera, ma richiederebbe un modello linguistico addestrato sull'ontologia specifica di CVL, per la quale non esistono dataset di addestramento pubblici.
Questo lavoro progetta e implementa una pipeline automatizzata a due stadi per la generazione di un dataset Text-to-SPARQL sintetico, garantendo correttezza e varietà. Il primo stadio esplora lo schema del grafo e campiona combinazioni di vincoli sintatticamente corrette, coprendo diverse entità organizzate in gruppi di priorità basati sulla centralità clinica. Il secondo stadio applica un meccanismo di mascheramento dei valori letterali e un ciclo iterativo di parafrasi guidata per generare varianti in più registri stilistici distinti, aumentando la ricchezza linguistica senza alterare la semantica delle query.
La pipeline ha prodotto in fase di testing un dataset di 14.021 esempi, strutturato con una rigorosa separazione per record sorgente tra gli insiemi di addestramento, validazione e test per evitare data leakage. Un modello Gemma3:270M, sottoposto a fine-tuning mediante LoRA su questo dataset, ha raggiunto un exact match del 46% sull'insieme di test in-distribution, individuando il checkpoint ottimale tramite validation loss e superando nettamente il full fine-tuning (18%). L'analisi degli errori residui ha mostrato un tasso dello 0% di query sintatticamente non valide, dimostrando che il modello apprende saldamente la grammatica SPARQL. Vengono infine analizzati i problemi di qualità emersi nel dataset, delineando le relative strategie di risoluzione.
Abstract
Il lavoro proposto si colloca nel progetto Cancer Virtual Lab (CVL), il quale raccoglie i dati clinici oncologici dell'IRCCS IRST "Dino Amadori" in un Knowledge Graph interrogabile tramite SPARQL. La natura formale di SPARQL rappresenta però una barriera per il personale sanitario e un'interfaccia in linguaggio naturale (Text-to-SPARQL) permetterebbe di abbattere tale barriera, ma richiederebbe un modello linguistico addestrato sull'ontologia specifica di CVL, per la quale non esistono dataset di addestramento pubblici.
Questo lavoro progetta e implementa una pipeline automatizzata a due stadi per la generazione di un dataset Text-to-SPARQL sintetico, garantendo correttezza e varietà. Il primo stadio esplora lo schema del grafo e campiona combinazioni di vincoli sintatticamente corrette, coprendo diverse entità organizzate in gruppi di priorità basati sulla centralità clinica. Il secondo stadio applica un meccanismo di mascheramento dei valori letterali e un ciclo iterativo di parafrasi guidata per generare varianti in più registri stilistici distinti, aumentando la ricchezza linguistica senza alterare la semantica delle query.
La pipeline ha prodotto in fase di testing un dataset di 14.021 esempi, strutturato con una rigorosa separazione per record sorgente tra gli insiemi di addestramento, validazione e test per evitare data leakage. Un modello Gemma3:270M, sottoposto a fine-tuning mediante LoRA su questo dataset, ha raggiunto un exact match del 46% sull'insieme di test in-distribution, individuando il checkpoint ottimale tramite validation loss e superando nettamente il full fine-tuning (18%). L'analisi degli errori residui ha mostrato un tasso dello 0% di query sintatticamente non valide, dimostrando che il modello apprende saldamente la grammatica SPARQL. Vengono infine analizzati i problemi di qualità emersi nel dataset, delineando le relative strategie di risoluzione.
Tipologia del documento
Tesi di laurea
(Laurea)
Autore della tesi
Tonelli, Matteo
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Cancer Virtual Lab,Knowledge Graph,SPARQL,Text-to-SPARQL,dataset sintetico,fine-tuning,LoRA,oncologia clinica
Data di discussione della Tesi
1 Ottobre 2026
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Tonelli, Matteo
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Cancer Virtual Lab,Knowledge Graph,SPARQL,Text-to-SPARQL,dataset sintetico,fine-tuning,LoRA,oncologia clinica
Data di discussione della Tesi
1 Ottobre 2026
URI
Statistica sui download
Gestione del documento: