論文の概要: AI Enhanced Ontology Driven NLP for Intelligent Cloud Resource Query Processing Using Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2502.18484v1
• Date: Mon, 10 Feb 2025 02:15:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 03:22:54.897142
• Title: AI Enhanced Ontology Driven NLP for Intelligent Cloud Resource Query Processing Using Knowledge Graphs
• Title（参考訳）: 知識グラフを用いたインテリジェントクラウドリソースクエリ処理のためのAIによるオントロジー駆動NLP
• Authors: Krishna Chaitanya Sunkara, Krishnaiah Narukulla,
• Abstract要約: 本稿では、オントロジーに基づくセマンティクスによって強化された高度な自然言語処理(NLP)を提案する。 提案フレームワークは,Latent Semantic Indexing (LSI) とAIモデルを用いた動的インテント抽出と関連性ランキングを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The conventional resource search in cloud infrastructure relies on keyword-based searches or GUIDs, which demand exact matches and significant user effort to locate resources. These conventional search approaches often fail to interpret the intent behind natural language queries, making resource discovery inefficient and inaccessible to users. Though there exists some form of NLP based search engines, they are limited and focused more on analyzing the NLP query itself and extracting identifiers to find the resources. But they fail to search resources based on their behavior or operations or their capabilities or relationships or features or business relevance or the dynamic changing state or the knowledge these resources have. The search criteria has been changing with the inundation of AI based services which involved discovering not just the requested resources and identifiers but seeking insights. The real intent of a search has never been to just to list the resources but with some actual context such as to understand causes of some behavior in the system, compliance checks, capacity estimations, network constraints, or troubleshooting or business insights. This paper proposes an advanced Natural Language Processing (NLP) enhanced by ontology-based semantics to enable intuitive, human-readable queries which allows users to actually discover the intent-of-search itself. By constructing an ontology of cloud resources, their interactions, and behaviors, the proposed framework enables dynamic intent extraction and relevance ranking using Latent Semantic Indexing (LSI) and AI models. It introduces an automated pipeline which integrates ontology extraction by AI powered data crawlers, building a semantic knowledge base for context aware resource discovery.
• Abstract（参考訳）: クラウドインフラにおける従来のリソース検索は、キーワードベースの検索またはGUIDに依存しており、リソースを見つけるために正確なマッチングと重要なユーザ努力を必要とする。 これらの従来の検索手法は、自然言語クエリの背後にある意図を解釈できず、リソース発見の効率が悪く、ユーザにはアクセスできない。 NLPベースの検索エンジンにはいくつかの形態があるが、NLPクエリ自体の分析やリソースを見つけるための識別子の抽出に限定され、より焦点が当てられている。 しかし、彼らの行動や操作、その能力、関係性、機能、ビジネス関連性、動的に変化する状態、あるいはそれらのリソースが持つ知識に基づいてリソースを検索することができない。 検索基準は、要求されたリソースや識別子を発見するだけでなく、洞察を求めるAIベースのサービスの浸水によって変化している。 検索の真の意図は、単にリソースをリストアップすることではなく、システム内の何らかの動作の原因を理解すること、コンプライアンスチェック、キャパシティ推定、ネットワーク制約、トラブルシューティングやビジネス上の洞察など、実際のコンテキストによって、そのリソースをリストアップすることであった。 本稿では,オントロジーに基づくセマンティクスによって強化された高度な自然言語処理(NLP)を提案する。 提案フレームワークは,クラウドリソースのオントロジー,インタラクション,行動のオントロジーを構築することにより,遅延セマンティックインデックス(LSI)とAIモデルを用いた動的意図抽出と関連性ランキングを可能にする。 AIによるデータクローラによるオントロジー抽出を統合する自動パイプラインを導入し、コンテキストを意識したリソース発見のためのセマンティックナレッジベースを構築する。

関連論文リスト

• Neurosymbolic AI approach to Attribution in Large Language Models [5.3454230926797734]
  ニューロシンボリックAI(NesyAI)は、ニューラルネットワークの強みと構造化されたシンボリック推論を組み合わせる。 本稿では、NesyAIフレームワークが既存の属性モデルをどのように拡張し、より信頼性が高く、解釈可能で、適応可能なシステムを提供するかを検討する。
  論文  参考訳（メタデータ） (2024-09-30T02:20:36Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• Large Search Model: Redefining Search Stack in the Era of LLMs [63.503320030117145]
  我々は,1つの大言語モデル(LLM)で検索タスクを統一することにより,従来の検索スタックを再定義する,大規模検索モデルと呼ばれる新しい概念的フレームワークを導入する。 全てのタスクは自動回帰テキスト生成問題として定式化され、自然言語のプロンプトを使ってタスクをカスタマイズできる。 提案フレームワークは,LLMの強力な言語理解と推論能力を活用し,既存の検索スタックを簡素化しつつ,検索結果の質を向上させる能力を提供する。
  論文  参考訳（メタデータ） (2023-10-23T05:52:09Z)
• Large Language Models for Information Retrieval: A Survey [58.30439850203101]
  情報検索は、項ベースの手法から高度なニューラルモデルとの統合へと進化してきた。 近年の研究では、大規模言語モデル(LLM)を活用してIRシステムの改善が試みられている。 LLMとIRシステムの合流点を探索し、クエリリライト、リトリバー、リランカー、リーダーといった重要な側面を含む。
  論文  参考訳（メタデータ） (2023-08-14T12:47:22Z)
• Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
  InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
  論文  参考訳（メタデータ） (2023-05-12T11:58:15Z)
• Learning To Rank Resources with GNN [7.337247167823921]
  本稿では,資源クエリと資源リソースの関係をモデル化可能なグラフニューラルネットワーク(GNN)に基づく学習からランクへのアプローチを提案する。 提案手法は,様々なパフォーマンス指標において,最先端の6.4%から42%を上回っている。
  論文  参考訳（メタデータ） (2023-04-17T02:01:45Z)
• Boosting Search Engines with Interactive Agents [25.89284695491093]
  本稿では,文脈的クエリ改善のためのメタストラテジーを学習するエージェントの設計における第一歩について述べる。 エージェントには単純だが効果的な検索操作者がいて、クエリや検索結果のきめ細やかで透明な制御を行う。
  論文  参考訳（メタデータ） (2021-09-01T13:11:57Z)
• A New Neural Search and Insights Platform for Navigating and Organizing AI Research [56.65232007953311]
  我々は、古典的なキーワード検索とニューラル検索を組み合わせた新しいプラットフォームであるAI Research Navigatorを導入し、関連する文献を発見し整理する。 本稿では,システム全体のアーキテクチャの概要と,文書分析,質問応答,検索,分析,専門家検索,レコメンデーションの構成要素について概説する。
  論文  参考訳（メタデータ） (2020-10-30T19:12:25Z)
• KILT: a Benchmark for Knowledge Intensive Language Tasks [102.33046195554886]
  知識集約型言語タスク(KILT)のベンチマークを示す。 KILTのすべてのタスクはウィキペディアのスナップショットと同じだ。 共有密度ベクトル指数とSeq2seqモデルとの結合が強いベースラインであることが分かる。
  論文  参考訳（メタデータ） (2020-09-04T15:32:19Z)
• Natural language technology and query expansion: issues, state-of-the-art and perspectives [0.0]
  クエリのあいまいさや誤解釈を引き起こす言語特性と、追加の要因は、ユーザの情報ニーズを正確に表現する能力に影響を与える。 汎用言語に基づく問合せ拡張フレームワークの解剖学を概説し,モジュールに基づく分解を提案する。 それぞれのモジュールについて、文献における最先端のソリューションをレビューし、使用するテクニックの光の下で分類する。
  論文  参考訳（メタデータ） (2020-04-23T11:39:07Z)

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。