論文の概要: Mining Knowledge Graphs From Incident Reports

• arxiv url: http://arxiv.org/abs/2101.05961v1
• Date: Fri, 15 Jan 2021 04:15:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 11:23:42.877656
• Title: Mining Knowledge Graphs From Incident Reports
• Title（参考訳）: インシデントレポートからの知識グラフのマイニング
• Authors: Manish Shetty, Chetan Bansal
• Abstract要約: 顧客から提出されたインシデント報告は、診断や緩和が簡単でないとほとんど構造化されていない。 我々は、共起エンティティペアからバイナリエンティティ関係を抽出し、スコアするアプローチを提案する。 知識グラフを自動的に構築し、グラフ内の暗黙の知識が、異なるインシデントに対する関連エンティティのランク付けに使用できることを示す。
• 参考スコア（独自算出の注目度）: 3.3395585414528663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incident management is a critical part of the DevOps processes for developing and operating large-scale services in the cloud. Incident reports filed by customers are largely unstructured making any automated diagnosis or mitigation non-trivial. It requires on-call engineers to parse verbose reports to understand the issue and locate key information. Prior work has looked into extraction of key attributes or entities like error codes, tenant Ids, stack traces, etc. from incident and bug reports. Although a flat list of entities is informative, to unlock the full potential of knowledge extraction, it is necessary to provide context to these entities. For instance, the relations between the real-world concepts or objects that these entities represent in otherwise unstructured data is useful for downstream tasks like incident linking, triaging and mitigation. With this additional context, entities are transformed from "Strings" to "Things". In this work, we present an approach to mine and score binary entity relations from co-occurring entity pairs. We evaluate binary relations extracted and show that our approach has a high precision of 0.9. Further, we construct knowledge graphs automatically and show that the implicit knowledge in the graph can be used to mine and rank relevant entities for distinct incidents, by mapping entities to clusters of incident titles.
• Abstract（参考訳）: インシデント管理は、クラウド上の大規模サービスの開発と運用において、DevOpsプロセスの重要な部分です。 顧客が提出したインシデント報告は、ほとんど構造化されていないため、自動診断や緩和は簡単ではない。 問題を理解し、重要な情報を見つけるために、レポートを解析するオンコールエンジニアが必要です。 以前の作業では、キー属性やエラーコード、テナントID、スタックトレースなどのエンティティの抽出が検討されていた。 インシデントやバグ報告から フラットなエンティティのリストは情報的だが、知識抽出の可能性を最大限に活用するには、これらのエンティティにコンテキストを提供する必要がある。 例えば、これらのエンティティが非構造化データで表す現実世界の概念やオブジェクトの関係は、インシデントリンク、トリアージ、緩和といった下流タスクに役立ちます。 この追加のコンテキストでは、エンティティは"Strings"から"Things"に変換される。 本研究では,共起エンティティペアからバイナリエンティティ関係を抽出し,評価する手法を提案する。 抽出した二項関係を評価し,この手法の精度は0.9。 さらに、知識グラフを自動構築し、グラフ内の暗黙の知識が、エンティティをインシデントタイトルのクラスタにマッピングすることで、個々のインシデントに関する関連エンティティのマイニングとランク付けに使用できることを示す。

関連論文リスト

• Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach [56.55633052479446]
  Webスケールのビジュアルエンティティ認識は、クリーンで大規模なトレーニングデータがないため、重大な課題を呈している。 本稿では,ラベル検証,メタデータ生成,合理性説明に多モーダル大言語モデル(LLM)を活用することによって,そのようなデータセットをキュレートする新しい手法を提案する。 実験により、この自動キュレートされたデータに基づいてトレーニングされたモデルは、Webスケールの視覚的エンティティ認識タスクで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-10-31T06:55:24Z)
• EnriCo: Enriched Representation and Globally Constrained Inference for Entity and Relation Extraction [3.579132482505273]
  結合実体と関係抽出は、特に知識グラフの構築において、様々な応用において重要な役割を担っている。 既存のアプローチはしばしば、表現の豊かさと出力構造におけるコヒーレンスという2つの重要な側面に欠ける。 本研究では,これらの欠点を緩和するEnriCoを紹介する。
  論文  参考訳（メタデータ） (2024-04-18T20:15:48Z)
• GE-Blender: Graph-Based Knowledge Enhancement for Blender [3.8841367260456487]
  見えないエンティティは対話生成タスクに大きな影響を与える可能性がある。 我々は、エンティティノードを抽出してグラフを構築し、コンテキストの表現を強化する。 未確認のエンティティがグラフに存在しない問題を適用するために、名前付きエンティティタグ予測タスクを追加します。
  論文  参考訳（メタデータ） (2023-01-30T13:00:20Z)
• V-Coder: Adaptive AutoEncoder for Semantic Disclosure in Knowledge Graphs [4.493174773769076]
  本稿では,V-Coderと呼ばれる新しい適応型オートエンコーダを提案する。 実世界のデータセットの評価は、V-Coderが破損したデータからリンクを復元できることを示している。
  論文  参考訳（メタデータ） (2022-07-22T14:51:46Z)
• One-shot Scene Graph Generation [130.57405850346836]
  ワンショットシーングラフ生成タスクに対して,複数の構造化知識(関係知識知識)を提案する。 提案手法は既存の最先端手法よりも大きなマージンで優れる。
  論文  参考訳（メタデータ） (2022-02-22T11:32:59Z)
• Context-Enhanced Entity and Relation Embedding for Knowledge Graph Completion [2.580765958706854]
  マルチホップにおけるエンティティコンテキストと関係コンテキストの効率的な集約を行うモデルAggrEを提案する。 実験の結果、AggrEは既存のモデルと競合していることがわかった。
  論文  参考訳（メタデータ） (2020-12-13T09:20:42Z)
• Autoregressive Entity Retrieval [55.38027440347138]
  エンティティは、知識の表現と集約の方法の中心にあります。 クエリが与えられたエンティティを検索できることは、エンティティリンクやオープンドメインの質問応答のような知識集約的なタスクに基本となる。 本稿では,自己回帰方式でトークン・バイ・トークンを左から右に生成し,エンティティを検索する最初のシステムであるGENREを提案する。
  論文  参考訳（メタデータ） (2020-10-02T10:13:31Z)
• HittER: Hierarchical Transformers for Knowledge Graph Embeddings [85.93509934018499]
  複雑な知識グラフにおける実体と関係の表現を学習するためにHittを提案する。 実験結果から,Hittは複数リンク予測において最先端の新たな結果が得られることがわかった。 さらに,HittをBERTに統合する簡単なアプローチを提案し,その効果を2つのFreebaseファクトイド対応データセットで示す。
  論文  参考訳（メタデータ） (2020-08-28T18:58:15Z)
• Probing Linguistic Features of Sentence-Level Representations in Neural Relation Extraction [80.38130122127882]
  ニューラルリレーション抽出(RE)に関連する言語特性を対象とした14の探索タスクを導入する。 私たちは、40以上の異なるエンコーダアーキテクチャと2つのデータセットでトレーニングされた言語的特徴の組み合わせによって学習された表現を研究するためにそれらを使用します。 アーキテクチャによって引き起こされるバイアスと言語的特徴の含意は、探索タスクのパフォーマンスにおいて明らかに表現されている。
  論文  参考訳（メタデータ） (2020-04-17T09:17:40Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。