.png){kind=icon}
返回
Integrating Graph Retrieval-Augmented Generation into Prescriptive Recommender Systems
.png){kind=icon}
OA
AI
DOI：10.3390/bdcc9100261.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在时间敏感且后果严重的决策环境中，制定决策是工作日常的重要组成部分。为了支持寻找最优行动的过程，数据驱动的方法正被越来越多地采用。数据驱动分析的最先进形式是规范性分析，它为用户提供可操作的建议。然而，所产生的建议依赖于复杂的模型和优化技术，这些对于非专家用户来说难以理解或解释。目前，缺乏能够轻松将特定领域的规范性分析工作流集成到生产环境中的平台。特别是，没有集中式环境和标准化方法来实施此类规范性工作流。为应对这些挑战，可以借助大型语言模型（LLMs）通过将复杂建议转化为清晰、情境特定的解释来提高可解释性，使非专家能够理解建议行动背后的原理。然而，我们承认LLMs固有的黑箱特性可能限制其透明度。为减轻这些限制并基于真实用户知识提供可解释的建议，我们整合了知识图谱。本文介绍并验证了一个整合本体化图检索增强生成（GraphRAG）的规范性分析平台，通过提供可操作且情境感知的建议来增强决策制定。为此，我们基于本体通过完全自动化的工作流创建知识图谱，作为规范性平台的基础。知识图谱的数据源通过采用零样本分类器，根据本体进行标准化和分类。为便于用户友好展示，我们重点审查了GraphRAG在规范性分析平台中的可用性。我们在IoT-Factory（一个专门的研究环境）的客户诊所中，与行业专家一起验证了我们的规范性平台。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
暂无期刊信息
机构
引用论文
Transparency and accountability in AI decision support: Explaining and visualizing convolutional neural networks for text information人工智能决策支持中的透明度和问责制: 解释和可视化文本信息的卷积神经网络
PREAI
分享收藏Design and Development of We-CDSS Using Django Framework: Conducing Predictive and Prescriptive Analytics for Coronary Artery Disease.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Human-Augmented Prescriptive Analytics With Interactive Multi-Objective Reinforcement LearningIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Leveraging big data analytics in healthcare enhancement: trends, challenges and opportunitiesMULTIMEDIA SYSTEMS
MULTIMEDIA SYSTEMSIF3.1
PREAI
分享收藏
查看更多内容