論文の概要: KisanQRS: A Deep Learning-based Automated Query-Response System for Agricultural Decision-Making

• arxiv url: http://arxiv.org/abs/2411.08883v1
• Date: Sat, 26 Oct 2024 05:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-17 09:02:05.923098
• Title: KisanQRS: A Deep Learning-based Automated Query-Response System for Agricultural Decision-Making
• Title（参考訳）: KisanQRS:農業意思決定のためのディープラーニングベースのクエリ応答システム
• Authors: Mohammad Zia Ur Rehman, Devraj Raghuvanshi, Nagendra Kumar,
• Abstract要約: KisanQRSは農業分野における堅牢なクエリ応答フレームワークである。 ファーマークエリのセマンティックおよび語彙的類似性を統合する。 高速なしきい値に基づくクラスタリング方式を採用している。
• 参考スコア（独自算出の注目度）: 0.13654846342364302
• License:
• Abstract: Delivering prompt information and guidance to farmers is critical in agricultural decision-making. Farmers helpline centres are heavily reliant on the expertise and availability of call centre agents, leading to inconsistent quality and delayed responses. To this end, this article presents Kisan Query Response System (KisanQRS), a Deep Learning-based robust query-response framework for the agriculture sector. KisanQRS integrates semantic and lexical similarities of farmers queries and employs a rapid threshold-based clustering method. The clustering algorithm is based on a linear search technique to iterate through all queries and organize them into clusters according to their similarity. For query mapping, LSTM is found to be the optimal method. Our proposed answer retrieval method clusters candidate answers for a crop, ranks these answer clusters based on the number of answers in a cluster, and selects the leader of each cluster. The dataset used in our analysis consists of a subset of 34 million call logs from the Kisan Call Centre (KCC), operated under the Government of India. We evaluated the performance of the query mapping module on the data of five major states of India with 3,00,000 samples and the quantifiable outcomes demonstrate that KisanQRS significantly outperforms traditional techniques by achieving 96.58% top F1-score for a state. The answer retrieval module is evaluated on 10,000 samples and it achieves a competitive NDCG score of 96.20%. KisanQRS is useful in enabling farmers to make informed decisions about their farming practices by providing quick and pertinent responses to their queries.
• Abstract（参考訳）: 農家への迅速な情報提供と指導は、農業の意思決定において重要である。 ファーマーのヘルプラインセンターはコールセンターエージェントの専門知識と可用性に大きく依存しており、一貫性のない品質と応答が遅れている。 この目的のために、本記事では、ディープラーニングに基づく農業分野の堅牢なクエリ応答フレームワークであるKisan Query Response System(KisanQRS)を紹介する。 KisanQRSは、ファーマークエリのセマンティックおよび語彙的類似性を統合し、高速なしきい値ベースのクラスタリング手法を採用している。 クラスタリングアルゴリズムは、すべてのクエリを反復して、類似性に応じてクラスタに整理する線形検索手法に基づいている。 クエリマッピングでは、LSTMが最適であることがわかった。 提案手法は,作物の解答候補をクラスタリングし,クラスタ内の解答数に基づいてこれらの解答クラスタをランク付けし,各クラスタのリーダを選択する。 私たちの分析で使用されるデータセットは、インド政府の下で運用されているキサンコールセンター(KCC)からの3400万のコールログのサブセットで構成されています。 インド5大州におけるクエリマッピングモジュールの性能を3,00,000サンプルを用いて評価したところ,KisanQRSは96.58%の上位F1スコアを達成し,従来の手法を著しく上回る結果となった。 回答検索モジュールは1万のサンプルで評価され、競合するNDCGスコア96.20%を達成している。 KisanQRSは、農業従事者に対して、クェリに対して迅速かつ適切な応答を提供することによって、農家が農業慣行に関する情報的な決定を行えるようにするのに役立つ。

関連論文リスト

• RAG-ConfusionQA: A Benchmark for Evaluating LLMs on Confusing Questions [52.33835101586687]
  会話AIエージェントはRetrieval Augmented Generation(RAG)を使用して、ユーザからの問い合わせに対して検証可能なドキュメント地上応答を提供する。 本稿では,与えられた文書コーパスから,文脈に乱れた多様な質問を効率的に生成する,新しい合成データ生成手法を提案する。
  論文  参考訳（メタデータ） (2024-10-18T16:11:29Z)
• Enhancing Affinity Propagation for Improved Public Sentiment Insights [0.0]
  本稿では,教師なし学習技術を用いて感情分析を行う手法を提案する。 APクラスタリングは、事前に定義されたクラスタ番号を必要とせずに、自然なパターンに基づいてテキストデータをグループ化する。 パフォーマンスを向上させるため、APはAgglomerative Hierarchical Clusteringと組み合わせられる。
  論文  参考訳（メタデータ） (2024-10-12T19:20:33Z)
• ABCDE: Application-Based Cluster Diff Evals [49.1574468325115]
  それは実用性を目指しており、アイテムはアプリケーション固有の重要な値を持つことができ、クラスタリングがどちらが優れているかを判断するときに人間の判断を使うのは粗悪であり、アイテムの任意のスライスのためのメトリクスを報告できる。 クラスタリング品質の差分を測定するアプローチは、高価な地平を前もって構築し、それに関して各クラスタリングを評価する代わりに、ABCDEはクラスタリング間の実際の差分に基づいて、判定のための質問をサンプリングする。
  論文  参考訳（メタデータ） (2024-07-31T08:29:35Z)
• Optimization of Retrieval-Augmented Generation Context with Outlier Detection [0.0]
  そこで本研究では,質問応答システムに必要な文脈の小型化と品質向上に焦点をあてる。 私たちのゴールは、最も意味のあるドキュメントを選択し、捨てられたドキュメントをアウトリーチとして扱うことです。 その結果,質問や回答の複雑さを増大させることで,最大の改善が達成された。
  論文  参考訳（メタデータ） (2024-07-01T15:53:29Z)
• Long-Span Question-Answering: Automatic Question Generation and QA-System Ranking via Side-by-Side Evaluation [65.16137964758612]
  大規模言語モデルにおける長文文の活用について検討し,本書全体の読解データを作成する。 我々の目的は、長いテキストの詳細な理解を必要とする問題を分析し、理解し、推論するLLMの能力をテストすることである。
  論文  参考訳（メタデータ） (2024-05-31T20:15:10Z)
• A Machine Learning-Based Framework for Clustering Residential Electricity Load Profiles to Enhance Demand Response Programs [0.0]
  実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。 本稿では,実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-31T11:23:26Z)
• Deep Clustering: A Comprehensive Survey [53.387957674512585]
  クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。 ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。 ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
  論文  参考訳（メタデータ） (2022-10-09T02:31:32Z)
• Contextual Fine-to-Coarse Distillation for Coarse-grained Response Selection in Open-Domain Conversations [48.046725390986595]
  オープンドメイン会話における粗粒度応答選択のための文脈ファイン・ツー・コアス(CFC)蒸留モデルを提案する。 提案モデルの性能を評価するため,RedditコメントダンプとTwitterコーパスに基づく2つの新しいデータセットを構築した。
  論文  参考訳（メタデータ） (2021-09-24T08:22:35Z)
• Classification of Consumer Belief Statements From Social Media [0.0]
  複雑な専門家アノテーションがいかにして分類に有効に活用できるかを考察する。 自動クラス抽象化アプローチは、テキスト分類タスクのドメインエキスパートベースラインに対して極めてよく機能することがわかった。
  論文  参考訳（メタデータ） (2021-06-29T15:25:33Z)
• Query Focused Multi-Document Summarization with Distant Supervision [88.39032981994535]
  既存の作業は、クエリとテキストセグメント間の関連性を推定する検索スタイルの手法に大きく依存している。 本稿では,クエリに関連するセグメントを推定するための個別モジュールを導入した粗大なモデリングフレームワークを提案する。 我々のフレームワークは、標準QFSベンチマークにおいて、強力な比較システムよりも優れていることを実証する。
  論文  参考訳（メタデータ） (2020-04-06T22:35:19Z)
• Clustering with Fast, Automated and Reproducible assessment applied to longitudinal neural tracking [3.817161834189992]
  C-FARは階層的クラスタリングアルゴリズムを同時に評価する新しい手法である。 提案アルゴリズムは,複数の階層的クラスタリング木を入力として,人間のフィードバックに対して戦略的にペアを問合せし,これらの木に推薦された木の中から最適なクラスタリングを出力する。 私たちのフラッグシップアプリケーションは、スパイクソートにおけるクラスタアグリゲーションステップであり、ニューロンに録音中の波形(スパイク)を割り当てるタスクです。
  論文  参考訳（メタデータ） (2020-03-19T01:33:00Z)

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。