arXiv cs.AI· Changxu Duan·· 12 小时前AI 评分31
用级联查找恢复业务规则：LLM 智能体助力企业字段预测
Recovering Business Rules as Cascade Lookups for Enterprise Field Prediction
AI 导读
研究提出一种知识图谱引导的工作流，由 LLM 智能体提出候选业务键（如客户与单据类型的列组合），经 SQL profiling 验证后编译为确定性级联查找，LLM 仅在离线规则发现阶段使用，推理时无需模型服务。在企业销售订单预测和公开关系基准上的实验显示，字段遵循稳定业务规则时级联查找最有效，而预测依赖时间或邻域模式时学习型图模型更优。漂移分析可将残余误差转化为配置维护诊断。
正文 · AI 翻译
摘要：企业销售订单系统依赖人工维护的配置规则来确定付款条件、发货点和销售归属等字段。当这些规则不完整或过时时，操作员必须手动输入值，下游错误会蔓延到计费、物流和报表中。本文研究缺失或过时的规则能否从历史交易中恢复，而不是作为不透明的统计模式被重新学习。我们引入了一种知识图谱引导的工作流，其中 LLM 智能体提出候选业务键（即客户和单据类型等列组合），通过 SQL 剖析进行验证，并将所得证据编译为确定性的级联查找。LLM 仅在离线规则发现阶段使用。在推理时，预测是透明的键查找，无需模型服务。在企业销售订单预测和公共关系基准上的实验表明，当字段遵循稳定的业务规则时，级联最为有效；而当预测依赖于时间或邻域模式时，学习到的图模型仍然更可取。漂移分析进一步将残差错误转化为配置维护的诊断信息。代码和数据：此 https URL。
| 评论： | 已被 ECML PKDD 2026 应用数据科学赛道接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；数据库（cs.DB）；信息检索（cs.IR） |
| 引用为： | arXiv:2610.34258 [cs.LG] |
| （或 arXiv:2610.34258v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.34258 arXiv 颁发的 DOI 通过 DataCite（待注册） |
|
| 相关 DOI： | https://doi.org/10.1007/978-3-032-37682-4_6
链接到相关资源的 DOI |
提交历史
来自：Changxu Duan [查看电子邮件]
[v1]
2026年10月25日星期日 12:33:59 UTC（509 KB）
来源：arXiv cs.AI · arxiv.org