이 논문은 대규모 언어 모델(LLM)과 지식 그래프(KG)를 통합하여 불완전한 지식 그래프 질문 답변(IKGQA) 문제를 해결하는 방법을 제안한다.
기존 연구들은 LLM을 단순히 KG 탐색 에이전트로 활용하였지만, 실제 세계에서 KG는 종종 불완전하여 질문에 대한 답변을 제공하지 못한다. 이에 저자들은 LLM이 KG 에이전트 역할뿐만 아니라 KG 생성기 역할도 수행할 수 있는 Generate-on-Graph(GoG) 방법을 제안한다.
GoG는 선택-생성-답변 프레임워크로 구성된다. 먼저 LLM은 질문과 관련된 관계를 선택하여 하위 그래프를 확장한다. 그 다음 LLM은 확장된 하위 그래프와 내부 지식을 활용하여 새로운 사실 트리플을 생성한다. 마지막으로 LLM은 검색 및 생성된 지식을 바탕으로 질문에 답변한다.
실험 결과, GoG는 기존 방법들에 비해 불완전한 KG 환경에서 월등한 성능을 보였다. 이는 GoG가 LLM의 내부 지식과 외부 지식을 효과적으로 통합할 수 있음을 보여준다.
翻譯成其他語言
從原文內容
arxiv.org
深入探究