論文の概要: Business as \textit{Rule}sual: A Benchmark and Framework for Business Rule Flow Modeling with LLMs

• arxiv url: http://arxiv.org/abs/2505.18542v1
• Date: Sat, 24 May 2025 06:13:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.492422
• Title: Business as \textit{Rule}sual: A Benchmark and Framework for Business Rule Flow Modeling with LLMs
• Title（参考訳）: ビジネスとしてのtextit{Rule}sual: LLMを用いたビジネスルールフローモデリングのためのベンチマークとフレームワーク
• Authors: Chen Yang, Ruping Xu, Ruizhe Li, Bin Cao, Jing Fan,
• Abstract要約: 我々は,新しい注釈付き中国語データセットtextbfBPRFを導入し,50のビジネスプロセス文書と326の明示されたビジネスルールを複数ドメインにわたって含む。 また,大規模言語モデル(LLM)を用いたビジネスルールの自動抽出と依存性関係同定のためのフレームワークである textbfExIde を提案する。 本研究は,既存のSOTA LLMにおける構造的ビジネスルールの抽出と相互依存性の分析におけるExIdeの有効性を実証するものである。
• 参考スコア（独自算出の注目度）: 11.320505704072186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Process mining aims to discover, monitor and optimize the actual behaviors of real processes. While prior work has mainly focused on extracting procedural action flows from instructional texts, rule flows embedded in business documents remain underexplored. To this end, we introduce a novel annotated Chinese dataset, \textbf{BPRF}, which contains 50 business process documents with 326 explicitly labeled business rules across multiple domains. Each rule is represented as a <Condition, Action> pair, and we annotate logical dependencies between rules (sequential, conditional, or parallel). We also propose \textbf{ExIde}, a framework for automatic business rule extraction and dependency relationship identification using large language models (LLMs). We evaluate ExIde using 12 state-of-the-art (SOTA) LLMs on the BPRF dataset, benchmarking performance on both rule extraction and dependency classification tasks of current LLMs. Our results demonstrate the effectiveness of ExIde in extracting structured business rules and analyzing their interdependencies for current SOTA LLMs, paving the way for more automated and interpretable business process automation.
• Abstract（参考訳）: プロセスマイニングは、実際のプロセスの実際の振る舞いを発見し、監視し、最適化することを目的としている。 従来の研究は主に、命令文から手続き的アクションフローを抽出することに焦点を当ててきたが、ビジネス文書に埋め込まれたルールフローは、まだ探索されていない。 そこで本研究では,50のビジネスプロセスドキュメントと326の明示的にラベル付けされたビジネスルールを含む,新しい注釈付き中国語データセット,‘textbf{BPRF}’を導入する。 各ルールは<Condition, Action>ペアとして表現され、ルール間の論理的依存関係(シーケンス、条件、あるいは並列)に注釈を付ける。 また,大規模言語モデル(LLM)を用いたビジネスルールの自動抽出と依存性関係の同定を行うフレームワークである‘textbf{ExIde} も提案する。 BPRFデータセット上で12個のSOTA (State-of-the-art) LLMを用いてExIdeを評価する。 本研究は,既存のSOTA LLMにおける構造的ビジネスルールの抽出と相互依存の分析におけるExIdeの有効性を実証し,より自動化され,解釈可能なビジネスプロセス自動化への道を開いたものである。

関連論文リスト

• FlowAgent: Achieving Compliance and Flexibility for Workflow Agents [31.088578094151178]
  FlowAgentは、コンプライアンスと柔軟性の両方を維持するように設計された新しいエージェントフレームワークである。 PDL を基盤として,OOW クエリを効果的に管理する LLM を支援する包括的フレームワークを開発した。 本稿では,LLMエージェントのOOWシナリオ処理能力を評価するための新しい評価手法を提案する。
  論文  参考訳（メタデータ） (2025-02-20T07:59:31Z)
• CPRM: A LLM-based Continual Pre-training Framework for Relevance Modeling in Commercial Search [34.08551439233784]
  CPRMは、大規模言語モデル(LLM)の継続的な事前訓練のために設計されたフレームワークである 本フレームワークは3つのモジュールから構成される: 1) クエリとマルチフィールドアイテムを併用してドメイン知識を強化する,2) コンテキスト内事前学習を適用する,3) 関連するドメイン知識とバックグラウンド情報を生成する,という3つのモジュール。
  論文  参考訳（メタデータ） (2024-12-02T08:35:54Z)
• DocETL: Agentic Query Rewriting and Evaluation for Complex Document Processing [10.712756715779822]
  大規模言語モデル(LLM)は、データ処理において有望であることを示している。 これらのフレームワークは、ユーザが指定した操作を実行する際のコスト削減に重点を置いている。 これは複雑なタスクやデータに問題があります。 本稿では,複雑な文書処理パイプラインを最適化するDocETLを提案する。
  論文  参考訳（メタデータ） (2024-10-16T03:22:35Z)
• Benchmarking Agentic Workflow Generation [80.74757493266057]
  複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。 また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。 我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
  論文  参考訳（メタデータ） (2024-10-10T12:41:19Z)
• LLM with Relation Classifier for Document-Level Relation Extraction [25.587850398830252]
  大規模言語モデル(LLM)は、自然言語処理のための新しいパラダイムを生み出した。 本稿では,この性能ギャップの原因を解明し,関係のないエンティティペアによるLCMによる注意の分散を重要要因とする。
  論文  参考訳（メタデータ） (2024-08-25T16:43:19Z)
• TableLLM: Enabling Tabular Data Manipulation by LLMs in Real Office Usage Scenarios [51.66718740300016]
  TableLLMは80億のパラメータを持つ堅牢な大規模言語モデル(LLM)である。 TableLLMはデータ操作タスクを巧みに扱うために構築されている。 我々は、ユーザインタラクションのためのモデルチェックポイント、ソースコード、ベンチマーク、Webアプリケーションをリリースした。
  論文  参考訳（メタデータ） (2024-03-28T11:21:12Z)
• StateFlow: Enhancing LLM Task-Solving through State-Driven Workflows [23.241520404152904]
  StateFlowは、複雑なタスク解決プロセスをステートマシンとして概念化する、新しいタスク解決パラダイムである。 StateFlowでは、(状態と状態遷移を介して)「プロセス基盤」と(状態内のアクションを通して)「サブタスク解決」を区別します。 その結果, StateFlow は LLM の効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2024-03-17T19:54:16Z)
• Improving Open Information Extraction with Large Language Models: A Study on Demonstration Uncertainty [52.72790059506241]
  オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。 一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
  論文  参考訳（メタデータ） (2023-09-07T01:35:24Z)

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。