論文の概要: D4R -- Exploring and Querying Relational Graphs Using Natural Language and Large Language Models -- the Case of Historical Documents

• arxiv url: http://arxiv.org/abs/2503.20914v1
• Date: Wed, 26 Mar 2025 18:41:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:55:08.643607
• Title: D4R -- Exploring and Querying Relational Graphs Using Natural Language and Large Language Models -- the Case of Historical Documents
• Title（参考訳）: D4R -- 自然言語と大規模言語モデルを用いた関係グラフの探索とクエリー -- 歴史的文書の場合
• Authors: Michel Boeglin, David Kahn, Josiane Mothe, Diego Ortiz, David Panzoli,
• Abstract要約: D4Rは、非技術者、特に歴史家を支援するために設計されたデジタルプラットフォームである。 自然言語の質問をCypherクエリに変換し、Neo4Jデータベースからデータの検索を可能にする。
• 参考スコア（独自算出の注目度）: 2.6389111565346504
• License:
• Abstract: D4R is a digital platform designed to assist non-technical users, particularly historians, in exploring textual documents through advanced graphical tools for text analysis and knowledge extraction. By leveraging a large language model, D4R translates natural language questions into Cypher queries, enabling the retrieval of data from a Neo4J database. A user-friendly graphical interface allows for intuitive interaction, enabling users to navigate and analyse complex relational data extracted from unstructured textual documents. Originally designed to bridge the gap between AI technologies and historical research, D4R's capabilities extend to various other domains. A demonstration video and a live software demo are available.
• Abstract（参考訳）: D4Rは、非技術者、特に歴史家がテキスト分析と知識抽出のための高度なグラフィカルツールを通してテキスト文書を探索するのを支援するために設計されたデジタルプラットフォームである。 大きな言語モデルを活用することで、D4Rは自然言語の質問をCypherクエリに変換し、Neo4Jデータベースからデータの検索を可能にする。 ユーザフレンドリなグラフィカルインターフェースは直感的なインタラクションを可能にし、構造化されていないテキスト文書から抽出された複雑なリレーショナルデータをナビゲートし分析することができる。 元々はAI技術と歴史的研究のギャップを埋めるために設計されたもので、D4Rの機能は様々な分野に拡張されている。 デモビデオとライブソフトウェアデモが公開されている。

関連論文リスト

• GraphReader: Building Graph-based Agent to Enhance Long-Context Abilities of Large Language Models [58.08177466768262]
  大規模言語モデル(LLM)では、複雑なロングコンテクストのタスクに対処するためには、ロングコンテクストの能力が不可欠である。 グラフをグラフに構造化し、エージェントを使ってグラフを自律的に探索することで、長いテキストを扱うように設計されたグラフベースのエージェントシステムであるGraphReaderを紹介する。 LV-Evalデータセットの実験結果によると、GraphReaderは4kコンテキストウィンドウを使用して、16kから256kまでのコンテキスト長で一貫してGPT-4-128kを上回っている。
  論文  参考訳（メタデータ） (2024-06-20T17:57:51Z)
• Prompt4Vis: Prompting Large Language Models with Example Mining and Schema Filtering for Tabular Data Visualization [13.425454489560376]
  本稿では,自然言語からデータビジュアライゼーションクエリを生成するフレームワークであるPrompt4Visを紹介する。 データビジュアライゼーションクエリを生成するためのテキスト・ツー・ビジュアリーに、インコンテキスト・ラーニングが導入される。 Prompt4Visは最先端(SOTA)のRGVisNetを約35.9%、開発とテストセットで71.3%上回っている。
  論文  参考訳（メタデータ） (2024-01-29T10:23:47Z)
• Natural Language Interfaces for Tabular Data Querying and Visualization: A Survey [30.836162812277085]
  大規模言語モデル(LLM)の台頭はこの分野をさらに進歩させ、自然言語処理技術のための新たな道を開いた。 本稿では,これらのインターフェースの基礎となる基本概念と技術を紹介し,セマンティック解析に特に重点を置いている。 この中には、LSMの影響を深く掘り下げ、その強み、制限、将来の改善の可能性を強調している。
  論文  参考訳（メタデータ） (2023-10-27T05:01:20Z)
• An Empirical Investigation into the Use of Image Captioning for Automated Software Documentation [17.47243004709207]
  本稿では,グラフィカルユーザインタフェースとソフトウェアの機能的自然言語記述との関係について検討する。 人気の高いAndroidアプリケーションのスクリーンショット10,204枚に対して45,998個の説明からなる,関数型GUI記述の大規模なデータセットを収集し,分析し,オープンソースにしています。 GUIの表現可能性に関する洞察を得るため、4つのニューラルイメージキャプションモデルを用いて、スクリーンショットを入力として提供した場合に、様々な粒度の自然言語記述を予測する能力について検討する。
  論文  参考訳（メタデータ） (2023-01-03T17:15:18Z)
• Generate rather than Retrieve: Large Language Models are Strong Context Generators [74.87021992611672]
  本稿では,文書検索を大規模言語モデル生成器に置き換えることで,知識集約型タスクを解く新しい視点を提案する。 我々は,提案手法をgenRead (genRead) と呼び,まず大きな言語モデルに対して,与えられた質問に基づいて文脈文書を生成し,次に生成された文書を読み出して最終回答を生成する。
  論文  参考訳（メタデータ） (2022-09-21T01:30:59Z)
• Towards Complex Document Understanding By Discrete Reasoning [77.91722463958743]
  VQA(Document Visual Question Answering)は、自然言語による質問に答えるために、視覚的に豊富なドキュメントを理解することを目的としている。 我々は3,067の文書ページと16,558の質問応答ペアからなる新しいドキュメントVQAデータセットTAT-DQAを紹介する。 我々は,テキスト,レイアウト,視覚画像など,多要素の情報を考慮に入れたMHSTという新しいモデルを開発し,異なるタイプの質問にインテリジェントに対処する。
  論文  参考訳（メタデータ） (2022-07-25T01:43:19Z)
• Layout-Aware Information Extraction for Document-Grounded Dialogue: Dataset, Method and Demonstration [75.47708732473586]
  視覚的にリッチな文書から構造的知識と意味的知識の両方を抽出するためのレイアウト対応文書レベル情報抽出データセット(LIE)を提案する。 LIEには製品および公式文書の4,061ページから3つの抽出タスクの62kアノテーションが含まれている。 実験の結果、レイアウトはVRDベースの抽出に不可欠であることが示され、システムデモでは、抽出された知識が、ユーザが関心を持っている答えを見つけるのに役立つことも確認されている。
  論文  参考訳（メタデータ） (2022-07-14T07:59:45Z)
• GrASP: A Library for Extracting and Exploring Human-Interpretable Textual Patterns [25.350957495556226]
  テキストデータからパターンを描画するアルゴリズムであるGrASP用のPythonライブラリを提供します。 このライブラリはwebベースのインタフェースを備えており、ユーザーがデータや抽出されたパターンを便利に探索できる。
  論文  参考訳（メタデータ） (2021-04-08T17:58:03Z)
• Deep Graph Matching and Searching for Semantic Code Retrieval [76.51445515611469]
  本稿では,グラフニューラルネットワークに基づくエンドツーエンドのディープグラフマッチングと探索モデルを提案する。 まず、自然言語クエリテキストとプログラミング言語のコードスニペットをグラフ構造化データで表現する。 特に、DGMSは、個々のクエリテキストやコードスニペットのより構造的な情報をキャプチャするだけでなく、それらの微妙な類似性も学習する。
  論文  参考訳（メタデータ） (2020-10-24T14:16:50Z)
• A Multi-Perspective Architecture for Semantic Code Search [58.73778219645548]
  テキストマッチングのための新しい多言語間ニューラルネットワークを提案する。 CoNaLaデータセットを用いた実験により,提案したモデルでは,従来の手法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-05-06T04:46:11Z)

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。