論文の概要: KG-First, LLM-Fallback: A Hybrid Microservice for Grounded Skill Search and Explanation

• arxiv url: http://arxiv.org/abs/2605.01582v1
• Date: Sat, 02 May 2026 19:07:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.840349
• Title: KG-First, LLM-Fallback: A Hybrid Microservice for Grounded Skill Search and Explanation
• Title（参考訳）: KG-First, LLM-Fallback: グラウンドドスキル検索と説明のためのハイブリッドマイクロサービス
• Authors: Ngoc Luyen Le, Marie-Hélène Abel, Bertrand Laforge,
• Abstract要約: ESCO、ROM、O*NETのような権威的な能力のフレームワークは、教育と労働市場のニーズの整合に不可欠であるが、その技術的な複雑さと構造的不均一性は、教育者による実践的な採用を妨げる。 本稿では、これらのリソースを実績保存知識グラフ(KG)に統合することで、このギャップを埋めるように設計されたマイクロサービスであるSkillGraph-Serviceを紹介する。 結果として得られるアーキテクチャは、複雑なスキルデータをデジタル学習エコシステムに統合するための実用的でスケーラブルで監査可能なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 26.702635306128865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Authoritative competency frameworks such as ESCO, ROME, and O*NET are essential for aligning education with labor market needs, yet their technical complexity and structural heterogeneity hinder practical adoption by educators. This paper introduces SkillGraph-Service, an interoperable microservice designed to bridge this gap by unifying these resources into a provenance-preserving Knowledge Graph (KG). Adopting a KG-first, LLM-fallback architecture, the system combines symbolic rigor with sub-symbolic flexibility. It implements a lightweight hybrid retrieval engine (fusing SQLite FTS5 and HNSW vector search) to handle the vocabulary mismatch in educator queries, and utilizes Large Language Models (LLMs) strictly for constrained ranking and audience-aware explanation. Empirical evaluation on a multilingual dataset reveals that the proposed hybrid strategy achieves superior retrieval effectiveness (nDCG@5>0.94) with sub-200 ms latency, rendering computationally expensive cross-encoder re-ranking may be unnecessary for this domain. Furthermore, an analysis of generated explanations highlights a trade-off between fluency and faithfulness: while JSON-constrained LLMs ensure high citation precision, deterministic templates remain the most reliable method for maximizing evidence coverage. The resulting architecture offers a practical, scalable, and auditable solution for integrating complex skill data into digital learning ecosystems.
• Abstract（参考訳）: ESCO、ROM、O*NETのような権威的な能力のフレームワークは、教育と労働市場のニーズの整合に不可欠であるが、その技術的な複雑さと構造的不均一性は、教育者による実践的な採用を妨げる。 本稿では、これらのリソースを前兆保存知識グラフ(KG)に統合することによって、このギャップを埋めるように設計された、相互運用可能なマイクロサービスであるSkillGraph-Serviceを紹介する。 KGファーストのLLMフォールバックアーキテクチャを採用し、シンボリックリガーとサブシンボリックフレキシビリティを組み合わせたシステムである。 SQLite FTS5とHNSWベクターサーチを併用した)軽量なハイブリッド検索エンジンを実装し、教育者クエリの語彙ミスマッチを処理し、制約付きランキングとオーディエンス対応の説明のためにLLM(Large Language Models)を厳密に利用する。 多言語データセットの実証評価により,提案手法は200ms以下の遅延時間でより優れた検索効率(nDCG@5>0.94)を実現し,計算コストの高いクロスエンコーダの再ランク付けは不要である可能性が示唆された。 JSON制約のLLMは高い引用精度を保証しますが、決定論的テンプレートは、エビデンスカバレッジを最大化する最も信頼できる方法です。 結果として得られるアーキテクチャは、複雑なスキルデータをデジタル学習エコシステムに統合するための実用的でスケーラブルで監査可能なソリューションを提供する。

関連論文リスト

• MARAG-R1: Beyond Single Retriever via Reinforcement-Learned Multi-Tool Agentic Retrieval [50.30107119622642]
  大規模言語モデル(LLM)は推論と生成において優れているが、本質的には静的事前学習データによって制限されている。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識に基盤を置くことでこの問題に対処する。 MarAG-R1は、LLMが複数の検索機構を動的に調整できる強化学習型マルチツールRAGフレームワークである。
  論文  参考訳（メタデータ） (2025-10-31T15:51:39Z)
• LightKGG: Simple and Efficient Knowledge Graph Generation from Textual Data [0.0]
  LightKGGは、小規模言語モデルを用いてテキストデータから効率的なKG抽出を可能にする新しいフレームワークである。 コンテキスト統合グラフ抽出は、コンテキスト情報をノードやエッジと統合したグラフ構造に統合する。 トポロジー強化関係推論は、抽出されたグラフの固有のトポロジーを利用して、効率的に関係を推測する。
  論文  参考訳（メタデータ） (2025-10-27T13:55:13Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Enhancing Large Language Models (LLMs) for Telecommunications using Knowledge Graphs and Retrieval-Augmented Generation [52.8352968531863]
  大規模言語モデル(LLM)は、汎用自然言語処理タスクにおいて大きな進歩を遂げている。 本稿では,知識グラフ(KG)と検索拡張生成(RAG)技術を組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-31T15:58:08Z)
• Simple Is Effective: The Roles of Graphs and Large Language Models in Knowledge-Graph-Based Retrieval-Augmented Generation [9.844598565914055]
  大きな言語モデル(LLM)は強い推論能力を示すが、幻覚や時代遅れの知識のような制限に直面している。 本稿では、サブグラフを検索する知識グラフ(KG)ベースのRetrieval-Augmented Generation(RAG)フレームワークを拡張するSubgraphRAGを紹介する。 提案手法は,高効率かつフレキシブルなサブグラフ検索を実現するために,並列3重装飾機構を備えた軽量多層パーセプトロンを革新的に統合する。
  論文  参考訳（メタデータ） (2024-10-28T04:39:32Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• Leveraging Large Language Models for Semantic Query Processing in a Scholarly Knowledge Graph [1.7418328181959968]
  本研究は,革新的なセマンティッククエリ処理システムを開発することを目的としている。 オーストラリア国立大学のコンピュータサイエンス(CS)研究者による研究成果に関する総合的な情報を得ることができる。
  論文  参考訳（メタデータ） (2024-05-24T09:19:45Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。