論文の概要: Graph-Enhanced Retrieval-Augmented Question Answering for E-Commerce Customer Support

• arxiv url: http://arxiv.org/abs/2509.14267v1
• Date: Mon, 15 Sep 2025 04:17:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:52.897899
• Title: Graph-Enhanced Retrieval-Augmented Question Answering for E-Commerce Customer Support
• Title（参考訳）: グラフ強化検索によるEコマース顧客支援のための質問回答
• Authors: Piyushkumar Patel,
• Abstract要約: Eコマースのカスタマーサポートには、製品データや過去のサポートケースに根ざした、迅速かつ正確な回答が必要です。 本稿では,知識グラフ(KG)を用いた新しい検索拡張生成(RAG)フレームワークを開発し,回答の関連性を改善する。 本稿では,ドメイン固有のKGから構造化されたサブグラフと,サポートアーカイブから取得した文書を結合した新しい回答合成アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: E-Commerce customer support requires quick and accurate answers grounded in product data and past support cases. This paper develops a novel retrieval-augmented generation (RAG) framework that uses knowledge graphs (KGs) to improve the relevance of the answer and the factual grounding. We examine recent advances in knowledge-augmented RAG and chatbots based on large language models (LLM) in customer support, including Microsoft's GraphRAG and hybrid retrieval architectures. We then propose a new answer synthesis algorithm that combines structured subgraphs from a domain-specific KG with text documents retrieved from support archives, producing more coherent and grounded responses. We detail the architecture and knowledge flow of our system, provide comprehensive experimental evaluation, and justify its design in real-time support settings. Our implementation demonstrates 23\% improvement in factual accuracy and 89\% user satisfaction in e-Commerce QA scenarios.
• Abstract（参考訳）: Eコマースのカスタマーサポートには、製品データや過去のサポートケースに根ざした、迅速かつ正確な回答が必要です。 本稿では,知識グラフ(KGs)を用いた新しい検索強化世代(RAG)フレームワークを開発し,回答の妥当性と事実的根拠を改善する。 我々は、MicrosoftのGraphRAGやハイブリッド検索アーキテクチャを含む、顧客サポートにおける大規模言語モデル(LLM)に基づく知識強化RAGとチャットボットの最近の進歩について検討する。 次に、ドメイン固有のKGから構造化されたサブグラフと、サポートアーカイブから取得したテキストを組み合わせ、より一貫性のある、基底的な応答を生成する新しい回答合成アルゴリズムを提案する。 システムのアーキテクチャと知識の流れを詳述し、総合的な実験評価を行い、その設計をリアルタイムなサポート設定で正当化する。 本実装では,EコマースのQAシナリオにおいて,現実の精度が23 %向上し,ユーザの満足度が89 %向上したことを示す。

関連論文リスト

• Geospatial Question Answering on Historical Maps Using Spatio-Temporal Knowledge Graphs and Large Language Models [4.25934967090365]
  1つのアプローチは質問応答(QA)であり、ユーザーは自然で直感的な方法で知識を取得できる。 歴史的地図データから構築した時間的知識グラフ(KG)と大規模言語モデルを統合することにより,GeoQAシステムを開発した。 過去の地図画像やインターネット検索結果などの付加的なデータソースを我々のフレームワークに組み込んで、GeoQAに余分なコンテキストを提供する。
  論文  参考訳（メタデータ） (2025-08-29T10:16:37Z)
• Contextually Aware E-Commerce Product Question Answering using RAG [0.0]
  Eコマース製品ページには、構造化された仕様、構造化されていないレビュー、パーソナライズされたオファーや地域的なバリエーションといったコンテキスト要素が混在している。 Retrieval Augmented Generation (RAG) を用いたeコマース製品質問応答(PQA)のためのスケーラブルでエンドツーエンドなフレームワークを提案する。 本システムでは,会話履歴,ユーザプロファイル,製品属性を利用して,関連性およびパーソナライズされた回答を提供する。
  論文  参考訳（メタデータ） (2025-08-04T02:14:07Z)
• DO-RAG: A Domain-Specific QA Framework Using Knowledge Graph-Enhanced Retrieval-Augmented Generation [4.113142669523488]
  ドメイン固有のQAシステムは、生成頻度を必要とするが、構造化専門家の知識に基づく高い事実精度を必要とする。 本稿では,マルチレベル知識グラフ構築と意味ベクトル検索を統合した,スケーラブルでカスタマイズ可能なハイブリッドQAフレームワークであるDO-RAGを提案する。
  論文  参考訳（メタデータ） (2025-05-17T06:40:17Z)
• Mixture of Structural-and-Textual Retrieval over Text-rich Graph Knowledge Bases [78.62158923194153]
  テキストリッチなグラフ知識ベース(TG-KB)は、テキストおよび構造的知識を提供することで、クエリに応答する上でますます重要になっている。 本研究では,これら2種類の知識を計画・推論・組織化フレームワークを用いて検索するための構造・テキスト検索(MoR)の混合を提案する。
  論文  参考訳（メタデータ） (2025-02-27T17:42:52Z)
• QuIM-RAG: Advancing Retrieval-Augmented Generation with Inverted Question Matching for Enhanced QA Performance [1.433758865948252]
  本研究では,RAG(Retrieval-Augmented Generation)システム構築のための新しいアーキテクチャを提案する。 RAGアーキテクチャは、ターゲット文書から応答を生成するために構築される。 本稿では,本システムにおける検索機構の新しいアプローチQuIM-RAGを紹介する。
  論文  参考訳（メタデータ） (2025-01-06T01:07:59Z)
• STaRK: Benchmarking LLM Retrieval on Textual and Relational Knowledge Bases [93.96463520716759]
  テキストと知識ベースを用いた大規模半構造検索ベンチマークSTARKを開発した。 本ベンチマークでは, 製品検索, 学術論文検索, 精密医療におけるクエリの3分野について検討した。 多様なリレーショナル情報と複雑なテキスト特性を統合した,現実的なユーザクエリを合成する,新しいパイプラインを設計する。
  論文  参考訳（メタデータ） (2024-04-19T22:54:54Z)
• Learning Federated Neural Graph Databases for Answering Complex Queries from Distributed Knowledge Graphs [53.03085605769093]
  我々は、マルチソースグラフデータに対するプライバシ保護推論を促進する先駆的な体系的フレームワークであるFederated Neural Graph DataBase(FedNGDB)を学習することを提案する。 FedNGDBは、フェデレートされた学習を活用して、複数のソースにわたるグラフ表現を協調的に学習し、エンティティ間の関係を強化し、グラフデータの全体的な品質を改善する。
  論文  参考訳（メタデータ） (2024-02-22T14:57:44Z)
• Query-Specific Knowledge Graphs for Complex Finance Topics [6.599344783327053]
  ドメインの専門家が挑戦的な質問を作成できるCODECデータセットに重点を置いています。 最先端のランキングシステムには改善の余地があることが示される。 実体と文書の関連性は正の相関関係にあることを示す。
  論文  参考訳（メタデータ） (2022-11-08T10:21:13Z)

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。