論文の概要: TSG Suggester: Tree-Structured Knowledge-Graph Retrieval for Troubleshooting Guide Recommendation in Cloud Incident Management

• arxiv url: http://arxiv.org/abs/2609.35780v1
• Date: Tue, 04 Aug 2026 21:47:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.245542
• Title: TSG Suggester: Tree-Structured Knowledge-Graph Retrieval for Troubleshooting Guide Recommendation in Cloud Incident Management
• Title（参考訳）: TSGサジェスター:クラウドインシデント管理におけるトラブルシューティングガイド勧告のための木構造知識グラフ検索
• Abstract要約: 本稿では,事故記述から直接TSGを推薦する検索システムであるTSG Suggesterを提案する。 テキストのみのRAG、画像拡張RAG、RAPTOR、ツリー構造検索、および提案したツリー+知識グラフ(Tree+KG)の5つの検索戦略を評価した。 Tree+KGは54.78%のTop 1と82.48%のTop 5の精度を獲得し、すべてのベースラインをカットオフ毎にリードする。
• 参考スコア（独自算出の注目度）: 1.1917784081601017
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: On call engineers in large scale cloud services work under intense time pressure, yet locating the correct Troubleshooting Guide (TSG) for an incident remains a largely manual, keyword driven process, and prior empirical work finds that guide search consumes a substantial fraction of total mitigation time. We present TSG Suggester, a retrieval system that recommends relevant TSGs directly from an incident description. We evaluate five retrieval strategies: Text Only RAG, Image Augmented RAG, RAPTOR, Tree Structured Retrieval, and our proposed Tree + Knowledge Graph (Tree+KG), on 314 real world incidents spanning 112 unique TSGs drawn from 18 service teams on a production incident management system. Tree+KG converts each guide into a tree that preserves its native section hierarchy, attaches LLM generated problem abstractions to internal nodes to bridge the solution oriented language of guides and the problem oriented language of incidents, extracts a per guide entity knowledge graph, and fuses embedding similarity with entity level matching at query time. Tree+KG attains 54.78% Top 1 and 82.48% Top 5 accuracy, leading every baseline at every cutoff, with an 8.58 point Top 1 gain over text only RAG. Two findings are of independent interest. First, structural alignment dominates: methods that preserve or rebuild document structure outperform flat chunking where precise discrimination matters. Second, and contrary to our initial hypothesis, multimodal enrichment actively hurts. Captioning guide screenshots and injecting the captions costs 22.64 Top 5 points relative to the text only baseline because generic captions dilute embeddings rather than sharpen them. We report error analyses for both results and provide concrete deployment guidance.
• Abstract（参考訳）: 大規模なクラウドサービスのコールエンジニアは、厳しい時間的プレッシャーの下で作業するが、インシデントに対する適切なトラブルシューティングガイド(TSG)の配置は、大部分が手作業であり、キーワード駆動のプロセスであり、以前の経験的な作業では、ガイドサーチが全緩和時間のかなりの部分を占めている。 本稿では,事故記述から直接TSGを推薦する検索システムであるTSG Suggesterを提案する。 テキストのみRAG,画像拡張RAG,RAPTOR,木構造検索,提案したツリー+知識グラフ(Tree+KG)の5つの検索戦略を,18のサービスチームから生産インシデント管理システム上で112のTSGにまたがる314の現実世界のインシデントに対して評価した。 Tree+KGは、各ガイドを、そのネイティブセクション階層を保存するツリーに変換し、内部ノードにLLM生成された問題抽象化をアタッチして、ガイドのソリューション指向言語とインシデントの問題指向言語をブリッジし、ガイド単位の知識グラフを抽出し、クエリ時にエンティティレベルのマッチングと類似性を融合させる。 Tree+KGは54.78%のTop 1と82.48%のTop 5の精度を達成し、すべてのベースラインをカットオフでリードし、8.58ポイントのTop 1はRAGのみを上回っている。 2つの発見は独立した関心事である。 まず、構造的アライメントが支配的であり、文書構造を保存または再構築する手法は、正確な識別が重要となるフラットチャンキングよりも優れている。 第2に、最初の仮説に反して、マルチモーダル・エンリッチメントは積極的に傷つけます。 見出しのスクリーンショットを挿入し、キャプションを注入するコストは、テキストのみのベースラインと比較して22.64ポイントである。 両結果の誤り解析を報告し,具体的な展開指針を提供する。

関連論文リスト

• Automated Tree Knowledge Graph Construction using Ontology Expansion and Retrieval from Vietnamese History Textbooks [1.0507359466436823]
  階層的知識グラフ(KG)に基づく検索拡張生成(RAG)は,構造化知識を持つ大規模言語モデルを支援するための強力なアプローチとして登場した。 我々は,KG構築および検索戦略評価のためのエンドツーエンドパイプラインを提案する。 本稿では,ベトナムの高校歴史教科書(約400ページ)から木知識グラフを構築し,750のノードと4,341のセマンティックエッジを生成する。
  論文  参考訳（メタデータ） (2026-09-01T05:52:50Z)
• SEGRA: Structured Experience-Guided Graph Reasoning Agent for Gremlin Based Question Answering [1.4924423820656074]
  テキスト・トゥ・グレムリン質問応答のための体験誘導エージェントSEGRAを紹介する。 企業ITサポートのベンチマークでは、SEGRAはバックボーンのみのチェーン・オブ・シークレットのプロンプトよりも平均判断スコアが7.0倍高い。
  論文  参考訳（メタデータ） (2026-07-21T03:22:40Z)
• SproutRAG: Attention-Guided Tree Search with Progressive Embeddings for Long-Document RAG [23.48941508046885]
  本稿では,注意誘導型階層型RAGフレームワークであるSproutRAGを紹介する。 文レベルのチャンクを徐々に大きく、意味的に一貫性のある単位に整理する。 どのアテンションヘッドとレイヤがセマンティックドキュメント構造を最もよく捉えているかを学ぶ。
  論文  参考訳（メタデータ） (2026-06-16T18:28:00Z)
• HG-RAG: Hierarchy-Guided Retrieval-Augmented Generation for Structured Knowledge Graphs [0.0]
  HG-RAG(Hierarchy-Guided RAG)は、階層的な知識グラフ上でグラフトラバースを実行し、構造化されたコンテキストを言語モデルに提供するフレームワークである。 そこで,HG-RAGを3つの世界規模(18-800ノード)にわたる高密度検索ベースラインに対して4種類のクエリタイプで評価した。 その結果、HG-RAGは階層的、リレーショナル、マルチホップ推論タスクにおいて、フラットベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-04-16T01:05:19Z)
• TreePS-RAG: Tree-based Process Supervision for Reinforcement Learning in Agentic RAG [71.06073770344732]
  エージェント検索強化生成(RAG)は、推論と情報検索の多段階的な相互作用として質問応答を定式化する。 エージェントRAGのためのオンラインツリーベースRLフレームワークであるTreePS-RAGについて述べる。
  論文  参考訳（メタデータ） (2026-01-11T14:07:30Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• 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)
• RAPTOR: Recursive Abstractive Processing for Tree-Organized Retrieval [26.527911244587134]
  本稿では,テキストの集合体への埋め込み,クラスタリング,要約という新たなアプローチを導入し,下から異なるレベルの要約レベルを持つ木を構築する。 我々のRAPTORモデルは、推測時にこの木から取得し、異なるレベルの抽象化で長いドキュメントにまたがる情報を統合します。
  論文  参考訳（メタデータ） (2024-01-31T18:30:21Z)

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。