基于图 RAG 的汽车故障分析知识管理
人工智能
2024-12-02 v1 计算与语言
信息检索
摘要
本文提出了一种面向汽车故障分析的知识管理系统，采用检索增强生成（RAG）技术结合大型语言模型（LLM）和知识图谱（KG）。在汽车行业，人们越来越需要将经验工程师的故障分析知识传递给年轻工程师。然而，故障事件是以链式反应形式发生的，这使得初学者难以进行分析。虽然知识图谱因其能够描述语义关系和结构化信息而在表示故障事件方面有效，但由于其组件之间关系庞杂，年轻工程师提取和理解子图具有挑战性。另一方面，Graph RAG 这种将 LLM 与 KG 结合用于知识管理的类型正受到日益关注。然而，在使用现有知识图谱进行汽车故障 Graph RAG 时，由于难以为未由 LLM 构建的知识图谱生成可执行查询，这种方法会引发若干问题。为此，我们聚焦于优化面向现有知识图谱的 Graph RAG 流程。使用我们自构建的 Q&A 数据集，所提出方法生成的句子 ROUGE F1 分数相较于当前方法平均提升了 157.6%，这凸显了该方法在汽车故障分析中的有效性。
引用
@article{arxiv.2411.19539,
title = {Knowledge Management for Automobile Failure Analysis Using Graph RAG},
author = {Yuta Ojima and Hiroki Sakaji and Tadashi Nakamura and Hiroaki Sakata and Kazuya Seki and Yuu Teshigawara and Masami Yamashita and Kazuhiro Aoyama},
journal= {arXiv preprint arXiv:2411.19539},
year = {2024}
}
备注
7 pages, 6 figures, to be published in 2024 IEEE International Conference on Bid Data (BigData)