Fugu-MT 論文翻訳(概要): TenderKG

論文の概要: TenderKG

arxiv url: http://arxiv.org/abs/2608.14066v1
Date: Fri, 14 Aug 2026 08:24:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-17 20:14:29.324488
Title: TenderKG
Title（参考訳）: テンダーKG
Abstract要約: 本稿では,2021-2023年のフランス公共調達データから構築した大規模知識グラフデータセットであるTenderKGを紹介する。データセットは、企業、テナント、ロット、ドメイン固有のドメインを含む異種エンティティを通じて、調達エコシステムをモデル化する。データセットの詳細な統計と分析を行い、その構造特性、空間パターン、ドメイン固有の特徴を明らかにする。
参考スコア（独自算出の注目度）: 0.9558392439655014
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Public procurement represents a major economic activity, where public institutions allocate contracts to companies through competitive tendering processes. Despite its importance, this domain remains underexplored by recommender systems, largely due to the lack of publicly available datasets capturing its complexity. In this paper, we introduce TenderKG, a large-scale knowledge graph dataset constructed from French public procurement data covering the period 2021--2023. The dataset models the procurement ecosystem through heterogeneous entities, including companies, tenders, lots, and domain-specific taxonomies of work domains, connected via rich semantic and structural relations. A key specificity of this setting is that only the awarded companies are visible, resulting in sparse explicit signals of awarded interactions. To overcome this limitation, TenderKG integrates extensive side information on the actors in the French tender market and the tenders, including textual descriptions, hierarchical classifications, and geographical features, enabling the study of knowledge-aware recommendation in a highly constrained and competitive environment. We provide detailed statistics and analyses of the dataset, highlighting its structural properties, sparsity patterns, and domain-specific characteristics. We believe TenderKG opens new research directions in bidder recommendation, knowledge graph-based recommendation, competition-aware matching, and provides a valuable benchmark for evaluating methods in real-world, high-stakes decision-making scenarios.
Abstract（参考訳）: 公共の調達は主要な経済活動であり、公共機関は競争力のあるプロセスを通じて企業に契約を割り当てる。その重要性にもかかわらず、このドメインは、その複雑さを捉えた公開データセットが欠如していることから、レコメンデータシステムによって探索されていないままである。本稿では,2021-2023年のフランス公共調達データから構築した大規模知識グラフデータセットであるTenderKGを紹介する。データセットは、企業、利害関係者、宝くじ、作業ドメインのドメイン固有の分類を含む多種多様なエンティティを通じて、豊富な意味と構造的関係を通じて接続された調達エコシステムをモデル化する。この設定の重要な特長は、与えられた企業だけが見え、与えられた相互作用の明確な信号が不足していることである。この制限を克服するために、TenderKGは、フランス語のテンダーマーケットにおけるアクターと、テキスト記述、階層分類、地理的特徴を含むテンダーの幅広い側面情報を統合し、高度に制約された競争的な環境で知識に配慮した推薦の研究を可能にする。データセットの詳細な統計と分析を行い、その構造特性、空間パターン、ドメイン固有の特徴を明らかにする。我々は、TenderKGが入札者推薦、知識グラフに基づく推薦、競争意識のマッチングにおける新たな研究方向を開拓し、実世界の高い意思決定シナリオにおける手法を評価するための貴重なベンチマークを提供すると信じている。

関連論文リスト

A Framework for Generating Valid Context-Specific Benchmarks through Expert Guidance [8.655727081754241]
本稿では,文脈依存型大規模言語モデル(LLM)ベンチマークデータセットを生成するためのエンドツーエンドアプローチを提案する。本稿では,評価課題の目標,スコープ,コンテキストに関する重要な情報を抽出するスキーマを導入し,この情報を用いて合成データ生成のガイドを行う。専門家インフォームド足場が、より有効なベンチマークに向けて、どのように合成データ生成を導くかを示す。
論文参考訳（メタデータ） (2026-09-15T03:36:35Z)
OpenDataArena: A Fair and Open Arena for Benchmarking Post-Training Dataset Value [74.80873109856563]
OpenDataArena(ODA)は、トレーニング後のデータの本質的な価値をベンチマークするために設計された、総合的でオープンなプラットフォームである。 ODAは4つの主要な柱からなる包括的なエコシステムを確立している。 (i) 多様なモデル間で公平でオープンな比較を保証する統一的なトレーニング評価パイプライン、 (ii) 異なる軸数に沿ってデータ品質をプロファイリングする多次元スコアリングフレームワーク、 (iii) データセットの系図を視覚化してコンポーネントソースを識別するインタラクティブなデータ系統探索である。
論文参考訳（メタデータ） (2025-12-16T03:33:24Z)
Chitchat with AI: Understand the supply chain carbon disclosure of companies worldwide through Large Language Model [0.998186654331176]
Carbon Disclosure Project (CDP) は、世界最大規模の気候関連調査のデータセットをホストしている。本稿では,大規模言語モデル(LLM)を活用して大規模企業における気候開示品質を評価する,新たな意思決定支援フレームワークを提案する。
論文参考訳（メタデータ） (2025-10-26T01:06:18Z)
FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering [57.18367828883773]
FinAgentBenchは、ファイナンスにおける多段階推論によるエージェント検索を評価するためのベンチマークである。このベンチマークは、S&P-500上場企業に関する26Kのエキスパートアノテート例から成っている。我々は,最先端モデルの集合を評価し,対象の微調整がエージェント検索性能を大幅に向上することを示す。
論文参考訳（メタデータ） (2025-08-07T22:15:22Z)
LKD-KGC: Domain-Specific KG Construction via LLM-driven Knowledge Dependency Parsing [9.502380540548497]
知識グラフ(KG)は現実世界の実体とそれらの関係を3重に構成し、様々なタスクに対する機械推論を強化する。大規模言語モデル(LLM)に基づく知識グラフ構築への最近のアプローチは、効率的であることが証明されている。教師なしドメイン固有KG構築のための新しいフレームワークであるLKD-KGCを提案する。
論文参考訳（メタデータ） (2025-05-30T03:10:23Z)
Graph Foundation Models: A Comprehensive Survey [66.74249119139661]
Graph Foundation Models (GFMs)は、構造化データにスケーラブルで汎用的なインテリジェンスを提供することを目指している。この調査は、GFMの概要を包括的に提供し、モジュラーフレームワークの下での多様な取り組みを統合する。 GFMは構造化データに対するオープンエンド推論の基盤となる。
論文参考訳（メタデータ） (2025-05-21T05:08:00Z)
Towards Robust Evaluation: A Comprehensive Taxonomy of Datasets and Metrics for Open Domain Question Answering in the Era of Large Language Models [0.0]
自然言語処理におけるオープンドメイン質問回答(ODQA)は,大規模知識コーパスを用いて,事実質問に回答するシステムを構築する。高品質なデータセットは、現実的なシナリオでモデルをトレーニングするために使用されます。標準化されたメトリクスは、異なるODQAシステム間の比較を容易にする。
論文参考訳（メタデータ） (2024-06-19T05:43:02Z)
Unearthing Large Scale Domain-Specific Knowledge from Public Corpora [103.0865116794534]
データ収集パイプラインに大規模なモデルを導入し、ドメイン固有の情報の生成をガイドします。このアプローチをRetrieve-from-CCと呼ぶ。ドメイン固有の知識に関するデータを収集するだけでなく、パブリックコーパスから潜在的推論手順を含むデータをマイニングする。
論文参考訳（メタデータ） (2024-01-26T03:38:23Z)
Towards Avoiding the Data Mess: Industry Insights from Data Mesh Implementations [1.5029560229270191]
Data Meshは、企業データ管理のための、社会技術的、分散化されたコンセプトである。業界の専門家との15の半構造化インタビューを行います。本研究は,業界の専門家による知見を総合し,データメッシュの採用を成功させるための予備的ガイドラインを研究者や専門家に提供する。
論文参考訳（メタデータ） (2023-02-03T13:09:57Z)
Relational Proxies: Emergent Relationships as Fine-Grained Discriminators [52.17542855760418]
本稿では,オブジェクトのグローバル部分とローカル部分の間の情報を利用してラベルを符号化する手法を提案する。我々は、理論的な結果に基づいてプロキシを設計し、7つの挑戦的なきめ細かいベンチマークデータセットに基づいて評価する。また、この理論を実験的に検証し、複数のベンチマークで一貫した結果を得る。
論文参考訳（メタデータ） (2022-10-05T11:08:04Z)
Predicting Themes within Complex Unstructured Texts: A Case Study on Safeguarding Reports [66.39150945184683]
本稿では,教師付き分類手法を用いた保護レポートにおいて,主テーマの自動識別の問題に焦点をあてる。この結果から,ラベル付きデータに制限のある複雑なタスクであっても,深層学習モデルが対象知識の振る舞いをシミュレートする可能性が示唆された。
論文参考訳（メタデータ） (2020-10-27T19:48:23Z)

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。