Усовершенствованная генерация графа знаний, улучшающая поиск информации для викторины по обслуживанию клиентов

Бумажный адрес: https://arxiv.org/abs/2404.17723

Графы знаний могут извлекать отношения между сущностями только целенаправленно, и такие стабильно извлекаемые отношения между сущностями можно понимать какПодход к структурированным данным.

На рисунке 1 показан процесс работы системы вопросов и ответов для обслуживания клиентов, которая сочетает в себе Knowledge Graph (KG) и Retrieval Augmented Generation (RAG). Ниже приводится краткое описание процесса:

1. Составление карты знаний: система строит комплексную карту знаний на основе исторических заявок на обслуживание клиентов, включая два основных этапа:

• Внутреннее представление дерева тикетов: каждый тикет разбирается как древовидная структура с узлами, представляющими различные части тикета (например, резюме, описание, приоритет и т. д.).
• Межбилетная связь: соединение отдельных деревьев билетов в полный граф на основе явных связей в билетах отслеживания проблем и неявных связей, полученных благодаря семантическому сходству.

2. генерация вкраплений: генерирует векторы вкраплений для узлов графа, используя предварительно обученные модели вкраплений текста (например, BERT или E5), и сохраняет эти вкрапления в базе данных векторов.

3. Поиск и процесс "вопрос-ответ":

• Встраивание намерений в вопрос: разбор пользовательских запросов для выявления именованных сущностей и намерений.
• Поиск на основе вкраплений: используйте сущности для получения наиболее релевантных билетов и отсеивайте релевантные подграфы.
• Фильтрация: дальнейший отбор и выявление наиболее значимой информации.

4. найденные билеты: система извлекает конкретные билеты, связанные с запросом пользователя, такие как ENT-22970, PORT-133061, ENT-1744 и ENT-3547, и отображает отношения клонирования (CLONE_FROM/CLONE_TO) и сходства (SIMILAR_TO) между ними.

5. генерация ответа: в конечном итоге система синтезирует полученную информацию и исходный запрос пользователя, чтобы сгенерировать ответ с помощью большой языковой модели (LLM).

6. база данных графов и база данных векторов: на протяжении всего процесса база данных графов используется для хранения и управления узлами и связями в атласе, а база данных векторов - для хранения и управления векторами текстовых вкраплений в узлах.

7. этапы использования LLM: на нескольких этапах большие языковые модели используются для разбора текста, создания запросов, извлечения подграфов и генерации ответов.

Эта блок-схема дает общее представление о том, как можно повысить эффективность и точность автоматизированных систем вопросов и ответов для обслуживания клиентов, объединив граф знаний и методы генерации поисковых расширений.

Левая сторона этого рисунка показывает построение графа знаний, а правая - процесс поиска и вопросов и ответов.