返回
Semantic Intelligence: Graph RAG-Driven Agents for Time Series Analytics
DOI:10.1007/978-3-032-10486-1_21.png)
摘要
En 中文
本工作介绍了一种结合大型语言模型(LLMs)与知识图谱的新型框架,旨在提升时间序列分析中的自动化、可解释性和上下文推理能力。该框架允许用户通过直观的自然语言查询与时间序列数据集交互,从而从原始数据和语义上下文中提取可操作的见解。通过利用图检索增强生成(Graph RAG),该框架整合了结构化领域知识,提高了推理准确性,并促进了上下文感知的响应。此外,利用基于专用本体构建的知识图谱作为记忆机制,能够实现见解的增量积累,并支持对时间特征的迭代动态探索。该方法简化了不同专业水平用户对高级分析工具的访问,使他们能够更全面地理解时间序列数据。本文概述了该框架的架构,通过使用多种LLMs的评估测试了其性能,并讨论了未来潜在的改进方向。
Keyword:
Data Science
Large Language Models
Knowledge Graphs
Retrieval Augmented Generation
Data Analysis Agents
期刊
I
IF:
0
论文数:
50
被引数:
0
机构
引用论文
Evaluating Large Language Models on Time Series Feature Understanding: A Comprehensive Taxonomy and Benchmark评估大型语言模型在时间序列特征理解上的表现:一种全面的分类法和基准测试
Peng, B.; Zhu, Y.; Liu, Y.; Bo, X.; Shi, H.; Hong, C.; Zhang, Y.; Tang, S. Graph Retrieval-Augmented Generation: A Survey. arXiv 2024, arXiv:2408.08921. [Google Scholar] [CrossRef]彭博; 朱奕; 刘宇; 薄雪; 施宏; 洪超; 张宇; 唐思. 图检索增强生成:综述. arXiv 2024, arXiv:2408.08921. [谷歌学术] [ CrossRef ]
没有更多内容

