論文の概要: Enhancing Retrieval-Augmented Generation for Electric Power Industry Customer Support

• arxiv url: http://arxiv.org/abs/2508.05664v1
• Date: Fri, 01 Aug 2025 08:02:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:05.908427
• Title: Enhancing Retrieval-Augmented Generation for Electric Power Industry Customer Support
• Title（参考訳）: 電力産業顧客支援のための検索機能強化
• Authors: Hei Yu Chan, Kuok Tou Ho, Chenglong Ma, Yujing Si, Hok Lai Lin, Sa Lei Lam,
• Abstract要約: 本研究は、電力分野におけるロバストな顧客支援システムを構築するための最近の技術の評価である。 クエリ書き換えは,非標準用語を用いたクエリの検索を改善する。 RAG Fusionは、複数の検索をマージすることで、あいまいまたは多面的なクエリのパフォーマンスを向上させる。 インテント認識は、複雑な質問をよりターゲットとしたサブクエリに分解するのをサポートする。
• 参考スコア（独自算出の注目度）: 0.5277756703318045
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Many AI customer service systems use standard NLP pipelines or finetuned language models, which often fall short on ambiguous, multi-intent, or detail-specific queries. This case study evaluates recent techniques: query rewriting, RAG Fusion, keyword augmentation, intent recognition, and context reranking, for building a robust customer support system in the electric power domain. We compare vector-store and graph-based RAG frameworks, ultimately selecting the graph-based RAG for its superior performance in handling complex queries. We find that query rewriting improves retrieval for queries using non-standard terminology or requiring precise detail. RAG Fusion boosts performance on vague or multifaceted queries by merging multiple retrievals. Reranking reduces hallucinations by filtering irrelevant contexts. Intent recognition supports the decomposition of complex questions into more targeted sub-queries, increasing both relevance and efficiency. In contrast, keyword augmentation negatively impacts results due to biased keyword selection. Our final system combines intent recognition, RAG Fusion, and reranking to handle disambiguation and multi-source queries. Evaluated on both a GPT-4-generated dataset and a real-world electricity provider FAQ dataset, it achieves 97.9% and 89.6% accuracy respectively, substantially outperforming baseline RAG models.
• Abstract（参考訳）: 多くのAIカスタマサービスシステムは標準のNLPパイプラインや微調整言語モデルを使用しており、曖昧さ、マルチインテント、詳細に特化したクエリでは不足することが多い。 このケーススタディでは、電力領域における堅牢なカスタマーサポートシステムを構築するために、クエリ書き換え、RAG Fusion、キーワード拡張、意図認識、コンテキスト更新など、最近の技術を評価する。 我々はベクトルストアとグラフベースのRAGフレームワークを比較し、最終的に複雑なクエリを扱う上で優れたパフォーマンスのためにグラフベースのRAGを選択する。 クエリ書き換えは,非標準用語を用いたクエリの検索を改善するか,あるいは正確な詳細を必要とすることがわかった。 RAG Fusionは、複数の検索をマージすることで、あいまいまたは多面的なクエリのパフォーマンスを向上させる。 リグレードは無関係な文脈をフィルタリングすることで幻覚を減らす。 インテント認識は、複雑な質問をよりターゲットとするサブクエリに分解することをサポートし、妥当性と効率の両方を増大させる。 対照的に、キーワード拡張はバイアス付きキーワード選択による結果に悪影響を及ぼす。 我々の最終システムはインテント認識とRAG Fusionを組み合わせ、曖昧さとマルチソースクエリを処理するために再分類する。 GPT-4生成データセットと実世界の電気プロバイダーFAQデータセットの両方で評価され、それぞれ97.9%と89.6%の精度を達成し、ベースラインRAGモデルを大幅に上回っている。

関連論文リスト

• MultiConIR: Towards multi-condition Information Retrieval [57.6405602406446]
  我々は,マルチコンディションシナリオにおける検索モデルの評価を目的とした,最初のベンチマークであるMultiConIRを紹介する。 本稿では,マルチコンディションのロバスト性,モノトニック関連性ランキング,クエリフォーマットの感度に基づいて,検索とリランクモデルの評価を行う3つのタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-11T05:02:03Z)
• Re-ranking the Context for Multimodal Retrieval Augmented Generation [28.63893944806149]
  Retrieval-augmented Generation (RAG)は、文脈内で応答を生成するために外部知識を組み込むことで、大きな言語モデル(LLM)を強化する。 RAGシステムは固有の課題に直面している: (i) 検索プロセスはユーザクエリ(画像、文書など)への無関係なエントリを選択することができ、 (ii) 視覚言語モデルや GPT-4o のようなマルチモーダル言語モデルは、RAG出力を生成するためにこれらのエントリを処理する際に幻覚を与える。 より高度な関連性尺度を用いることで、知識ベースからより関連性の高い項目を選択して排除することにより、検索プロセスを強化することができることを示す。
  論文  参考訳（メタデータ） (2025-01-08T18:58:22Z)
• Unanswerability Evaluation for Retrieval Augmented Generation [74.3022365715597]
  UAEval4RAGは、RAGシステムが解答不能なクエリを効果的に処理できるかどうかを評価するために設計されたフレームワークである。 我々は、6つの未解決カテゴリを持つ分類を定義し、UAEval4RAGは、多様で挑戦的なクエリを自動的に合成する。
  論文  参考訳（メタデータ） (2024-12-16T19:11:55Z)
• RAG-Fusion: a New Take on Retrieval-Augmented Generation [0.0]
  Infineonは、エンジニア、アカウントマネージャ、顧客が迅速に製品情報を取得する必要性を特定している。 この研究は人工知能(AI)と自然言語処理(NLP)の応用において大きな進歩をみせている。
  論文  参考訳（メタデータ） (2024-01-31T22:06:07Z)
• CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of Large Language Models [49.16989035566899]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の能力を高める技術である。 本稿では,大規模かつ包括的なベンチマークを構築し,様々なRAGアプリケーションシナリオにおけるRAGシステムのすべてのコンポーネントを評価する。
  論文  参考訳（メタデータ） (2024-01-30T14:25:32Z)

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。