Core Concepts
知識グラフを活用することで、過去の問題チケットの構造と関係性を保持し、より正確な検索と質問への回答を実現する。
Abstract
本研究では、大規模言語モデル(LLM)と知識グラフ(KG)を統合したカスタマーサービスの質問応答システムを提案している。
過去の問題チケットからKGを構築し、チケット間の構造と関係性を保持する。これにより、従来の単純なテキスト分割方式に比べて、検索精度が向上する。
ユーザーの質問からエンティティと意図を抽出し、KG内の関連サブグラフを特定して回答を生成する。これにより、テキストの分割による情報の断片化を軽減し、より完全な回答を提供できる。
実験の結果、提案手法は従来手法に比べて、MRRで77.6%、BLEUスコアで0.32の改善を示した。
実際のLinkedInのカスタマーサービスチームでの運用では、問題解決時間を28.6%短縮できた。
Stats
提案手法はMRRで従来手法より77.6%向上した
提案手法はBLEUスコアで従来手法より0.32向上した
提案手法を実際のLinkedInのカスタマーサービスチームで運用したところ、問題解決時間を28.6%短縮できた
Quotes
"過去の問題チケットの構造と関係性を保持することで、より正確な検索と質問への回答を実現できる"
"ユーザーの質問からエンティティと意図を抽出し、知識グラフ内の関連サブグラフを特定して回答を生成することで、テキストの分割による情報の断片化を軽減できる"