論文の概要: Interpretable Question Answering with Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2510.19181v1
• Date: Wed, 22 Oct 2025 02:36:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.935332
• Title: Interpretable Question Answering with Knowledge Graphs
• Title（参考訳）: 知識グラフを用いた解釈可能な質問回答
• Authors: Kartikeya Aneja, Manasvi Srivastava, Subhayan Das, Nagender Aneja,
• Abstract要約: 本稿では,知識グラフ検索のみで動作する質問応答システムを提案する。 知識グラフのクエリから取得したエンティティ関係エッジをパラフレーズ化するために、小さなパラフレーズモデルが使用される。 この研究はCRAGベンチマークでLCM-as-a-judgeを用いて評価され、71.9%と54.4%の精度が得られた。
• 参考スコア（独自算出の注目度）: 0.19695349076827803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a question answering system that operates exclusively on a knowledge graph retrieval without relying on retrieval augmented generation (RAG) with large language models (LLMs). Instead, a small paraphraser model is used to paraphrase the entity relationship edges retrieved from querying the knowledge graph. The proposed pipeline is divided into two main stages. The first stage involves pre-processing a document to generate sets of question-answer (QA) pairs. The second stage converts these QAs into a knowledge graph from which graph-based retrieval is performed using embeddings and fuzzy techniques. The graph is queried, re-ranked, and paraphrased to generate a final answer. This work includes an evaluation using LLM-as-a-judge on the CRAG benchmark, which resulted in accuracies of 71.9% and 54.4% using LLAMA-3.2 and GPT-3.5-Turbo, respectively.
• Abstract（参考訳）: 本稿では,大規模言語モデル(LLM)を用いた検索拡張生成(RAG)に頼ることなく,知識グラフ検索のみで動作する質問応答システムを提案する。 代わりに、知識グラフのクエリから取得したエンティティ関係エッジのパラフレーズとして、小さなパラフレーズモデルが使用される。 提案されたパイプラインは2つの主要なステージに分けられる。 第1段階では、文書を前処理して質問応答(QA)ペアを生成する。 第2段階では、これらのQAを知識グラフに変換し、グラフベースの検索を埋め込みとファジィ技術を用いて行う。 グラフはクエリされ、再ランクされ、パラフレーズ化され、最終的な答えが生成される。 この研究には、CRAGベンチマークでのLCM-as-a-judgeによる評価が含まれており、それぞれ LLAMA-3.2 と GPT-3.5-Turbo を用いて71.9%と54.4%の精度が得られた。

関連論文リスト

• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• GraphRAFT: Retrieval Augmented Fine-Tuning for Knowledge Graphs on Graph Databases [0.0]
  GraphRAFTは、LCMを微調整して、確実に正しいCypherクエリを生成する、検索と推論のためのフレームワークである。 本手法は,自然グラフDBに格納された知識グラフを用いて,棚から取り出すことができる最初の方法である。
  論文  参考訳（メタデータ） (2025-04-07T20:16:22Z)
• Graph Reasoning for Question Answering with Triplet Retrieval [33.454090126152714]
  知識グラフ(KGs)から最も関連性の高い三つ子を抽出する簡便で効果的な方法を提案する。 我々の手法は最先端の精度を4.6%まで上回ることができる。
  論文  参考訳（メタデータ） (2023-05-30T04:46:28Z)
• Question-Answer Sentence Graph for Joint Modeling Answer Selection [122.29142965960138]
  我々は,質問文,質問文,回答文のペア間のスコアを計算するための最先端(SOTA)モデルを訓練し,統合する。 オンライン推論は、目に見えないクエリのAS2タスクを解決するために実行される。
  論文  参考訳（メタデータ） (2022-02-16T05:59:53Z)
• Graph-augmented Learning to Rank for Querying Large-scale Knowledge Graph [34.774049199809426]
  情報検索に基づく知識グラフ質問応答(KGQA)は,大規模知識グラフから回答を取得して回答することを目的としている。 まず,検索したKSGを,新しいサブグラフ分割アルゴリズムを用いて,より小さなKSGに分割する。 次に、ランク付けモデルから上位のKSGを選択するためのグラフ拡張学習を提案する。
  論文  参考訳（メタデータ） (2021-11-20T08:27:37Z)
• Toward Subgraph-Guided Knowledge Graph Question Generation with Graph Neural Networks [53.58077686470096]
  知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。 本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
  論文  参考訳（メタデータ） (2020-04-13T15:43:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。