Core Concepts
大規模言語モデルと知識グラフの推論を組み合わせることで、複雑な論理クエリに対する正確な解答を導き出す。
Abstract
本論文は、大規模言語モデル(LLM)と知識グラフ(KG)の推論を統合することで、複雑な論理クエリに対する正確な解答を導き出す手法「Logic-Query-of-Thoughts (LGOT)」を提案している。
LLMは様々なタスクで優れた性能を発揮するが、事実知識の欠如から誤った回答を生成してしまう問題がある。一方、KGベースの質問応答手法は正確な回答を導出できるが、KG自体が不完全な場合はその性能が大きく低下する。
LGOTは、論理クエリを複数の部分クエリに分解し、LLMとKGの推論を組み合わせて各部分クエリの回答を導出する。部分回答を統合・選択することで、複雑な論理クエリに対する正確な最終回答を得ることができる。
実験の結果、LGOTは従来手法と比べて最大20%の性能向上を達成した。特に、知識グラフが不完全な場合でも高い精度を維持できることが示された。
Stats
知識グラフの不完全性により、従来手法の性能が大きく低下する一方で、LGOTは最大20%の性能向上を達成した。
Quotes
大規模言語モデルは事実知識の欠如から誤った回答を生成してしまう問題がある。
知識グラフベースの質問応答手法は、知識グラフ自体が不完全な場合、その性能が大きく低下する。