論文の概要: BI-REC: Guided Data Analysis for Conversational Business Intelligence
- arxiv url: http://arxiv.org/abs/2105.00467v1
- Date: Sun, 2 May 2021 13:19:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-04 13:54:14.701154
- Title: BI-REC: Guided Data Analysis for Conversational Business Intelligence
- Title(参考訳): BI-REC:対話型ビジネスインテリジェンスのためのガイドデータ分析
- Authors: Venkata Vamsikrishna Meduri, Abdul Quamar, Chuan Lei, Vasilis
Efthymiou, Fatma Ozcan
- Abstract要約: BI-RECは、ユーザーがデータ分析タスクを遂行するのに役立つBIアプリケーションのための対話型レコメンデーションシステムです。
我々は、OLAP立方体定義から抽出したリッチな意味情報を付加したBIパターンを用いて、データ解析の空間を定義する。
BI-RECはBIパターン推奨で83%の精度を達成し、予測の遅延で最大2倍のスピードアップを実現します。
- 参考スコア(独自算出の注目度): 11.501574075824132
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conversational interfaces to Business Intelligence (BI) applications enable
data analysis using a natural language dialog in small incremental steps. To
truly unleash the power of conversational BI to democratize access to data, a
system needs to provide effective and continuous support for data analysis. In
this paper, we propose BI-REC, a conversational recommendation system for BI
applications to help users accomplish their data analysis tasks.
We define the space of data analysis in terms of BI patterns, augmented with
rich semantic information extracted from the OLAP cube definition, and use
graph embeddings learned using GraphSAGE to create a compact representation of
the analysis state. We propose a two-step approach to explore the search space
for useful BI pattern recommendations. In the first step, we train a
multi-class classifier using prior query logs to predict the next high-level
actions in terms of a BI operation (e.g., {\em Drill-Down} or {\em Roll-up})
and a measure that the user is interested in. In the second step, the
high-level actions are further refined into actual BI pattern recommendations
using collaborative filtering. This two-step approach allows us to not only
divide and conquer the huge search space, but also requires less training data.
Our experimental evaluation shows that BI-REC achieves an accuracy of 83% for
BI pattern recommendations and up to 2X speedup in latency of prediction
compared to a state-of-the-art baseline. Our user study further shows that
BI-REC provides recommendations with a precision@3 of 91.90% across several
different analysis tasks.
- Abstract(参考訳): ビジネスインテリジェンス(BI)アプリケーションへの会話インターフェースは、小さなステップで自然言語ダイアログを使用してデータ分析を可能にする。
データへのアクセスを民主化するために対話型BIの力を真に解き放つためには、システムはデータ分析を効果的かつ継続的にサポートする必要がある。
本稿では,BIアプリケーションのための対話型レコメンデーションシステムBI-RECを提案する。
データ解析の空間をBIパターンで定義し、OLAP立方体定義から抽出したリッチな意味情報を付加し、グラフSAGEを用いて学習したグラフ埋め込みを用いて解析状態のコンパクトな表現を作成する。
有効なBIパターン推薦のための検索空間を探索するための2段階のアプローチを提案する。
最初のステップでは、事前クエリログを使用してマルチクラス分類器をトレーニングし、BI操作(例: {\em Drill-Down} または {\em Roll-up})とユーザが興味を持っている尺度で次のハイレベル動作を予測する。
2番目のステップでは、協調フィルタリングを使用して、ハイレベルなアクションを実際のBIパターンレコメンデーションに洗練する。
この2段階のアプローチは、巨大な検索空間を分割して征服するだけでなく、より少ないトレーニングデータも必要とします。
実験の結果,BI-RECはBIパターン推奨の精度が83%,予測のレイテンシが2倍に向上することがわかった。
さらに,BI-RECは,複数の異なる分析タスクに対して,91.90%の精度でレコメンデーションを提供することを示した。
関連論文リスト
- EICopilot: Search and Explore Enterprise Information over Large-scale Knowledge Graphs with LLM-driven Agents [16.65035686422735]
本稿では,EICopilotについて紹介する。EICopilotは,オンライン知識グラフ内の企業登録データの検索と探索を容易にするエージェントベースの新しいソリューションである。
このソリューションはGremlinスクリプトを自動的に生成して実行し、複雑な企業関係の効率的な要約を提供する。
EICopilotの速度と精度がベースライン法よりも優れていることを示す実証評価を行った。
論文 参考訳(メタデータ) (2025-01-23T15:22:25Z) - Generative Retrieval for Book search [106.67655212825025]
書籍検索のための効率的な生成検索フレームワークを提案する。
データ拡張とアウトライン指向の書籍エンコーディングの2つの主要コンポーネントがある。
プロプライエタリなBaiduデータセットの実験では、GBSが強力なベースラインを上回ることが示されている。
論文 参考訳(メタデータ) (2025-01-19T12:57:13Z) - Leveraging Foundation Language Models (FLMs) for Automated Cohort Extraction from Large EHR Databases [50.552056536968166]
本稿では,2つの大規模かつ広くアクセス可能なEHRデータベース上で列マッチングを自動化するアルゴリズムを提案し,評価する。
提案手法は,学習済みの小型汎用言語モデルを用いて,13ドル列のうち12ドルを正確にマッチングし,高いトップ3の精度を92%の精度で達成する。
論文 参考訳(メタデータ) (2024-12-16T06:19:35Z) - DataLab: A Unified Platform for LLM-Powered Business Intelligence [41.21303493090702]
我々は,ワンストップLLMベースのエージェントフレームワークと拡張計算ノートブックインターフェースを統合した統合BIプラットフォームであるDataLabを紹介する。
DataLabは、LLMアシストとユーザカスタマイズを単一の環境内で組み合わせることで、さまざまなデータロールに対して幅広いBIタスクをサポートする。
大規模な実験により、DataLabは人気のある研究ベンチマークでさまざまなBIタスクの最先端のパフォーマンスを達成している。
論文 参考訳(メタデータ) (2024-12-03T06:47:15Z) - InsightBench: Evaluating Business Analytics Agents Through Multi-Step Insight Generation [79.09622602860703]
3つの重要な特徴を持つベンチマークデータセットであるInsightBenchを紹介します。
財務やインシデント管理といったさまざまなビジネスユースケースを表す100のデータセットで構成されている。
単一のクエリに回答することに焦点を当てた既存のベンチマークとは異なり、InsightBenchは、エンドツーエンドのデータ分析を実行する能力に基づいてエージェントを評価する。
論文 参考訳(メタデータ) (2024-07-08T22:06:09Z) - UQE: A Query Engine for Unstructured Databases [71.49289088592842]
構造化されていないデータ分析を可能にするために,大規模言語モデルの可能性を検討する。
本稿では,非構造化データ収集からの洞察を直接問合せ,抽出するUniversal Query Engine (UQE)を提案する。
論文 参考訳(メタデータ) (2024-06-23T06:58:55Z) - DACO: Towards Application-Driven and Comprehensive Data Analysis via Code Generation [83.30006900263744]
データ分析は、詳細な研究と決定的な洞察を生み出すための重要な分析プロセスである。
LLMのコード生成機能を活用した高品質な応答アノテーションの自動生成を提案する。
我々のDACO-RLアルゴリズムは、57.72%のケースにおいて、SFTモデルよりも有用な回答を生成するために、人間のアノテータによって評価される。
論文 参考訳(メタデータ) (2024-03-04T22:47:58Z) - OPTION: OPTImization Algorithm Benchmarking ONtology [4.060078409841919]
OPTION(OPTImization algorithm benchmarking ONtology)は、ベンチマークプラットフォーム用のセマンティックにリッチでマシン可読なデータモデルである。
私たちのオントロジーは、ベンチマークプロセスに関わるコアエンティティのセマンティックアノテーションに必要な語彙を提供します。
また、自動データ統合、相互運用性の改善、強力なクエリ機能を提供する。
論文 参考訳(メタデータ) (2022-11-21T10:34:43Z) - ASTA: Learning Analytical Semantics over Tables for Intelligent Data
Analysis and Visualization [32.06228510098419]
本稿では,ユーザ生成分析の背後にある共通分析パターンを明らかにするために,テーブル上の解析意味論を提案する。
本稿では,ユーザ意図からデータ焦点を分離し,データと人間の視点からユーザモチベーションを抽出して分析意味論を設計する。
また,知的テーブル分析を実証するために,初めて条件付きフォーマッティングを推奨するとともに,チャートレコメンデーションも提案する。
論文 参考訳(メタデータ) (2022-08-01T13:32:36Z) - Interactive Data Analysis with Next-step Natural Language Query
Recommendation [34.264322423228556]
我々は,ユーザが適切な次ステップ探索行動を選択するのを支援するために,ステップワイズクエリレコメンデーションモジュールを備えたNLIを開発した。
このシステムは、ユーザーがクエリ履歴と結果をダッシュボードにまとめて、発見したデータインサイトを伝えるのに役立つ。
論文 参考訳(メタデータ) (2022-01-13T10:20:06Z) - What Makes Good In-Context Examples for GPT-$3$? [101.99751777056314]
GPT-$3$はNLPタスクの広い範囲でその優れた性能のために多くの注目を集めています。
その成功にもかかわらず、我々はGPT-$3$の実証結果が文脈内例の選択に大きく依存していることを発見した。
本研究では,文脈内事例を適切に選択するためのより効果的な戦略が存在するかを検討する。
論文 参考訳(メタデータ) (2021-01-17T23:38:40Z)
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。