論文の概要: RedParrot: Accelerating NL-to-DSL for Business Analytics via Query Semantic Caching

• arxiv url: http://arxiv.org/abs/2604.22758v1
• Date: Sat, 07 Mar 2026 12:02:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.155495
• Title: RedParrot: Accelerating NL-to-DSL for Business Analytics via Query Semantic Caching
• Title（参考訳）: RedParrot: クエリセマンティックキャッシングによるビジネス分析のためのNL-to-DSLの高速化
• Authors: Tong Wang, Yongqin Xu, Jianfeng Zhang, Lingxi Cui, Wenqing Wei, Suzhou Chen, Huan Li, Ke Chen, Lidan Shou,
• Abstract要約: RedParrotは、セマンティックキャッシュを介して推論を加速する新しいNL-to-contextフレームワークである。 RedParrotは平均3.6倍のスピードアップと8.26%の精度向上を実現している。
• 参考スコア（独自算出の注目度）: 29.795400791306665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, at Xiaohongshu, the rapid expansion of e-commerce and advertising demands real-time business analytics with high accuracy and low latency. To meet this demand, systems typically rely on converting natural language (NL) queries into Domain-Specific Languages (DSLs) to ensure semantic consistency, validation, and portability. However, existing multi-stage LLM pipelines for this NL-to-DSL task suffer from prohibitive latency, high cost, and error propagation, rendering them unsuitable for enterprise-scale deployment. In this paper, we propose RedParrot, a novel NL-to-DSL framework that accelerates inference via a semantic cache. Observing the high repetition and stable structural patterns in user queries, RedParrot bypasses the costly pipeline by matching new requests against cached "query skeletons" (normalized structural patterns) and adapting their corresponding DSLs. Our core technical contributions include (1) an offline skeleton construction strategy, (2) an online, entity-agnostic embedding model trained via contrastive learning for robust matching, and (3) a heterogeneous Retrieval-Augmented Generation (RAG) method that integrates diverse knowledge sources to handle unseen entities. Experiments on six real enterprise datasets from Xiaohongshu show RedParrot achieves an average 3.6x speedup and an 8.26% accuracy improvement. Furthermore, on new public benchmarks adapted from Spider and BIRD, it boosts accuracy by 34.8%, substantially outperforming standard in-context learning baselines.
• Abstract（参考訳）: 近年,Xiaohongshuでは,電子商取引と広告の急速な拡大が,リアルタイムビジネス分析を高精度かつ低レイテンシで求めている。 この要求を満たすため、システムは一般的に、セマンティック一貫性、バリデーション、ポータビリティを保証するために自然言語(NL)クエリをドメイン特化言語(DSL)に変換することに依存します。 しかし、このNL-to-DSLタスクのための既存のマルチステージLLMパイプラインは、禁止的なレイテンシ、高いコスト、エラーの伝搬に悩まされており、それらをエンタープライズ規模のデプロイメントには適さない。 本稿では,セマンティックキャッシュによる推論を高速化する新しいNL-to-DSLフレームワークであるRedParrotを提案する。 ユーザクエリにおける高い繰り返しと安定した構造パターンを観察すると、RedParrotはキャッシュされた"クエリスケルトン"(正規化された構造パターン)に対する新しいリクエストをマッチングし、対応するDSLを適用することで、コストのかかるパイプラインをバイパスする。 我々は,(1)オフラインの骨格構築戦略,(2)頑健なマッチングのためのコントラスト学習によって訓練されたオンラインの実体に依存しない埋め込みモデル,(3)多様な知識ソースを統合して,未知のエンティティを扱う異種検索・拡張生成(RAG)手法について技術的貢献を行った。 Xiaohongshuによる6つの実際のエンタープライズデータセットの実験では、RedParrotは平均3.6倍のスピードアップと8.26%の精度向上を達成した。 さらに、SpiderとBIRDに適合した新しい公開ベンチマークでは、精度が34.8%向上し、標準のテキスト内学習ベースラインを大幅に上回っている。

関連論文リスト

• AWE: Adaptive Agents for Dynamic Web Penetration Testing [0.0]
  AWEは、自動Web侵入テストのためのメモリ拡張マルチエージェントフレームワークである。 軽量なLLMオーケストレーション層に、構造化された脆弱性固有の分析パイプラインを組み込む。 AWEはインジェクションクラスの脆弱性を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-03-01T07:32:42Z)
• QP-OneModel: A Unified Generative LLM for Multi-Task Query Understanding in Xiaohongshu Search [19.376785819604923]
  QP-OneModelはSNS検索エンジンにおけるユーザの意図とコンテンツの供給を橋渡しする。 新規な高忠実な意味信号として意図的記述を生成する。 また、32Bモデルを7.60%精度で上回り、より優れた一般化を示す。
  論文  参考訳（メタデータ） (2026-02-10T15:38:17Z)
• DSL-R1: From SQL to DSL for Training Retrieval Agents across Structured and Unstructured Data with Reinforcement Learning [16.922690739842654]
  DSL-R1は、論理的推論とセマンティックマッチングを相乗化する統合フレームワークである。 本稿では,ルールベースの実行フィードバックと検索品質報酬を併用してDSL生成を最適化する強化学習機構を提案する。
  論文  参考訳（メタデータ） (2026-01-14T02:04:54Z)
• Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
  大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。 既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
  論文  参考訳（メタデータ） (2025-09-30T22:19:44Z)
• Dynamic Adaptive Parsing of Temporal and Cross-Variable Patterns for Network State Classification [9.007194066331452]
  DAPNetはMixture-of-Expertsアーキテクチャに基づくフレームワークである。 DAPNetは、周期解析、動的相互変数相関モデリング、ハイブリッド時間特徴抽出の3つの専門ネットワークを統合している。 アーキテクチャ設計の一般化性は、10のパブリックなUEAベンチマークデータセットで評価される。
  論文  参考訳（メタデータ） (2025-09-15T05:32:32Z)
• Leveraging Generative Models for Real-Time Query-Driven Text Summarization in Large-Scale Web Search [54.987957691350665]
  クエリ駆動テキスト要約(QDTS)は、与えられたクエリに基づいてテキスト文書から簡潔で情報的な要約を生成することを目的としている。 従来の抽出的要約モデルは、主にランク付け候補の要約セグメントに基づいており、産業応用において支配的なアプローチとなっている。 産業Web検索におけるリアルタイムQDTSに対処するための生成モデルの適用を開拓するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-28T08:51:51Z)
• Cost-Aware Contrastive Routing for LLMs [57.30288453580456]
  我々は、プロンプトとモデルの両方を共有埋め込み空間にマッピングする軽量フレームワークであるコストスペクトルコントラストルーティング(CSCR)を紹介します。 CSCRはベースラインを一貫して上回り、精度とコストのトレードオフを最大25%改善した。
  論文  参考訳（メタデータ） (2025-08-17T20:16:44Z)
• Semantic Caching for Low-Cost LLM Serving: From Offline Learning to Online Adaptation [54.61034867177997]
  キャッシング推論応答は、大きな言語モデルに他の前方を通さずに、それらを検索することができる。 従来の正確なキャッシュは、クエリ間のセマンティックな類似性を見落とし、不要な再計算をもたらす。 本稿では,未知のクエリおよびコスト分布下でのセマンティックキャッシュ消去のための,原則的,学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-11T06:53:27Z)
• OFedQIT: Communication-Efficient Online Federated Learning via Quantization and Intermittent Transmission [7.6058140480517356]
  オンライン連合学習(OFL)は、分散ストリーミングデータから非線形関数(またはモデル)のシーケンスを協調的に学習する、有望なフレームワークである。 本稿では、量子化と断続伝送を用いた通信効率の高いOFLアルゴリズム(OFedQIT)を提案する。 分析の結果,OfedQITは優れた学習精度を維持しつつ,OfedAvgの欠点に対処できることがわかった。
  論文  参考訳（メタデータ） (2022-05-13T07:46:43Z)

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。