論文の概要: Leveraging Knowledge Graphs and LLMs for Context-Aware Messaging

• arxiv url: http://arxiv.org/abs/2503.13499v1
• Date: Wed, 12 Mar 2025 02:17:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:16:35.753501
• Title: Leveraging Knowledge Graphs and LLMs for Context-Aware Messaging
• Title（参考訳）: コンテキスト対応メッセージングにおける知識グラフとLLMの活用
• Authors: Rajeev Kumar, Harishankar Kumar, Kumari Shalini,
• Abstract要約: 本稿では,KG(Knowledge Graph)を用いて文字通信を動的に表現するフレームワークを提案する。 好み、職業的役割、文化規範などの関連情報の抽出は、元のメッセージと組み合わせられる。 このフレームワークは、医療の42%、教育の53%、職業採用の78%など、さまざまな領域で顕著なメッセージ受け入れ率を示している。
• 参考スコア（独自算出の注目度）: 2.8402080392117757
• License:
• Abstract: Personalized messaging plays an essential role in improving communication in areas such as healthcare, education, and professional engagement. This paper introduces a framework that uses the Knowledge Graph (KG) to dynamically rephrase written communications by integrating individual and context-specific data. The knowledge graph represents individuals, locations, and events as critical nodes, linking entities mentioned in messages to their corresponding graph nodes. The extraction of relevant information, such as preferences, professional roles, and cultural norms, is then combined with the original message and processed through a large language model (LLM) to generate personalized responses. The framework demonstrates notable message acceptance rates in various domains: 42% in healthcare, 53% in education, and 78% in professional recruitment. By integrating entity linking, event detection, and language modeling, this approach offers a structured and scalable solution for context-aware, audience-specific communication, facilitating advanced applications in diverse fields.
• Abstract（参考訳）: パーソナライズされたメッセージングは、医療、教育、職業的エンゲージメントといった分野におけるコミュニケーションを改善する上で重要な役割を担っている。 本稿では、知識グラフ(KG)を用いて、個人とコンテキスト固有のデータを統合することにより、動的に書き起こされたコミュニケーションを言い換えるフレームワークを提案する。 ナレッジグラフは、個人、場所、イベントをクリティカルノードとして表現し、メッセージで言及されたエンティティを対応するグラフノードにリンクする。 好み、職業的役割、文化規範などの関連情報の抽出は、元のメッセージと組み合わせて、大きな言語モデル(LLM)を通して処理され、パーソナライズされた応答を生成する。 このフレームワークは、医療の42%、教育の53%、職業採用の78%など、さまざまな領域で顕著なメッセージ受け入れ率を示している。 エンティティリンク、イベント検出、言語モデリングを統合することで、このアプローチは、さまざまな分野における高度なアプリケーションを容易にする、コンテキスト認識、オーディエンス固有のコミュニケーションのための構造化されたスケーラブルなソリューションを提供する。

関連論文リスト

• Enhancing Persona Classification in Dialogue Systems: A Graph Neural Network Approach [0.0]
  本研究では,テキスト埋め込みとグラフニューラルネットワーク(GNN)を組み合わせた効果的なペルソナ分類手法を提案する。 専用のペルソナ分類データセットがないため、モデルトレーニングと評価を容易にするために手動で注釈付きデータセットを作成します。 我々のアプローチ、特にGNNの統合は、特に限られたデータにおいて、分類性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-12-17T19:27:24Z)
• Bridging Local Details and Global Context in Text-Attributed Graphs [62.522550655068336]
  GraphBridgeは、コンテキストテキスト情報を活用することで、ローカルおよびグローバルな視点をブリッジするフレームワークである。 提案手法は最先端性能を実現し,グラフ対応トークン削減モジュールは効率を大幅に向上し,スケーラビリティの問題を解消する。
  論文  参考訳（メタデータ） (2024-06-18T13:35:25Z)
• Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems [58.561904356651276]
  本稿では,対話型推薦システムのためのエンティティの意味理解を改善するために,知識強化型エンティティ表現学習(KERL)フレームワークを紹介する。 KERLは知識グラフと事前訓練された言語モデルを使用して、エンティティの意味的理解を改善する。 KERLはレコメンデーションとレスポンス生成の両方のタスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-12-18T06:41:23Z)
• Contextual information integration for stance detection via cross-attention [59.662413798388485]
  スタンス検出は、著者の目標に対する姿勢を特定することを扱う。 既存のスタンス検出モデルの多くは、関連するコンテキスト情報を考慮していないため、制限されている。 文脈情報をテキストとして統合する手法を提案する。
  論文  参考訳（メタデータ） (2022-11-03T15:04:29Z)
• Enhanced Knowledge Selection for Grounded Dialogues via Document Semantic Graphs [123.50636090341236]
  本稿では,背景知識文書を自動的に文書意味グラフに変換することを提案する。 文書意味グラフは文ノードを用いて文レベル情報を保存し,文間の概念接続を提供する。 本実験により,HolEにおける知識選択タスクとエンドツーエンド応答生成タスクの双方において,意味グラフに基づく知識選択が文選択ベースラインよりも改善されることが示されている。
  論文  参考訳（メタデータ） (2022-06-15T04:51:32Z)
• JAKET: Joint Pre-training of Knowledge Graph and Language Understanding [73.43768772121985]
  本稿では,知識グラフと言語の両方をモデル化する新しい事前学習フレームワークであるJAKETを提案する。 知識モジュールと言語モジュールは相互に支援するための重要な情報を提供する。 我々の設計により、事前学習されたモデルは、新しいドメインの見知らぬ知識グラフに容易に適応できる。
  論文  参考訳（メタデータ） (2020-10-02T05:53:36Z)
• Dialogue Relation Extraction with Document-level Heterogeneous Graph Attention Networks [21.409522845011907]
  対話関係抽出(DRE)は,多人数対話で言及される2つのエンティティ間の関係を検出することを目的としている。 本稿では,グラフが有意に接続された話者,エンティティ,エンティティタイプ,発話ノードを含むDREのためのグラフ注意ネットワーク方式を提案する。 このグラフに基づくアプローチは,対話における異なるエンティティペア間の関係を効果的に捉え,最先端のアプローチよりも優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2020-09-10T18:51:48Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)

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。