論文の概要: KG2Code: Bridging Knowledge Graphs and Large Language Models via Executable Code for Question Answering

• arxiv url: http://arxiv.org/abs/2607.22652v1
• Date: Fri, 26 Jun 2026 11:27:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.008005
• Title: KG2Code: Bridging Knowledge Graphs and Large Language Models via Executable Code for Question Answering
• Title（参考訳）: KG2Code: 質問応答のための実行可能コードによる知識グラフと大規模言語モデルのブリッジ
• Abstract要約: KG2Codeは知識グラフをコードベースの表現に変換する新しいアプローチである。 KG2Code-QAは、コード生成タスクとしてKGQAを定式化するKGQAフレームワークとして導入された。
• 参考スコア（独自算出の注目度）: 64.63418702318029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent research has explored the integration of knowledge graphs (KGs) with large language models (LLMs) to enhance their performance on downstream knowledge-intensive tasks, particularly knowledge graph question answering (KGQA). Existing approaches primarily combine LLMs with KGs through retrieval-augmented generation (RAG)-based, agent-based, and SPARQL-based methods. Although these methods have achieved notable success, they still suffer from several limitations, including structural information loss, unfaithful reasoning, and limited flexibility and generalization. To address these challenges, this paper proposes KG2Code, a novel approach that transforms knowledge graphs into a code-based representation, preserving structural semantics while naturally aligning with the code-aware pretraining of modern LLMs. Based on KG2Code, KG2Code-QA is further introduced as a KGQA framework that formulates KGQA as a code generation task. This formulation enables the generation of verifiable reasoning traces and executable code, thereby substantially mitigating the impact of hallucinations. In addition, an automated pipeline is developed to construct a large-scale, high-quality code corpus for effectively training open-source LLMs on KG2Code-QA. After training, LLMs are able to perform KGQA in zero-shot scenarios. Extensive experiments demonstrate that the proposed approach significantly outperforms existing KG-enhanced LLM methods for KGQA, while exhibiting strong generalization to unseen KGs. The code and data are available at Github.
• Abstract（参考訳）: 近年、下流の知識集約タスク、特に知識グラフ質問応答(KGQA)において、知識グラフ(KG)と大きな言語モデル(LLM)の統合性を向上するために、知識グラフ(KG)の統合について検討している。 既存のアプローチは主に、検索拡張生成(RAG)ベースのエージェントベース、SPARQLベースのメソッドを通じて、LLMとKGを組み合わせる。 これらの手法は目覚ましい成功を収めているが、構造的情報損失、不誠実な推論、柔軟性と一般化の制限など、いくつかの制限に悩まされている。 そこで本研究では,知識グラフをコードベース表現に変換する手法であるKG2Codeを提案する。 KG2Codeに基づいて、KG2Code-QAはコード生成タスクとしてKGQAを定式化するKGQAフレームワークとして導入された。 この定式化は、検証可能な推論トレースと実行可能なコードの生成を可能にし、幻覚の影響を大幅に緩和する。 さらに、KG2Code-QA上でオープンソースLLMを効果的にトレーニングするための大規模で高品質なコードコーパスを構築するために、自動パイプラインが開発された。 トレーニング後、LLMはゼロショットシナリオでKGQAを実行することができる。 広汎な実験により,提案手法はKGQAの既存のLLM法を著しく上回り,未知のKGに対して強い一般化を示した。 コードとデータはGithubで公開されている。

関連論文リスト

• Code-on-Graph: Iterative Programmatic Reasoning via Large Language Models on Knowledge Graphs [79.8277120258141]
  知識グラフ(KG)は、大規模言語モデル(LLM)の限界を軽減するために広く使われている。 既存のLLM-KG統合フレームワークは、KGから事実知識を取得し、回答生成のプロンプトに注入するために、事前に定義された演算子に依存している。 LLM-KG 統合のためのプログラム推論フレームワークとして Code-on-Graph (CoG) を提案する。
  論文  参考訳（メタデータ） (2026-06-02T14:22:29Z)
• Efficient and Transferable Agentic Knowledge Graph RAG via Reinforcement Learning [18.9814789695716]
  知識グラフ検索強化世代(KG-RAG)は、大きな言語モデル(LLM)と構造化された検証可能な知識グラフ(KG)を結合して幻覚を減らし、推論トレースを公開する。 我々は、強化学習(RL)によるエージェントKG検索増強世代(KG-RAG)フレームワークであるKG-R1を紹介する。 KG-R1は、KGと相互作用する単一のエージェントを環境として利用し、各ステップで学習し、取得した情報をその推論と生成に組み込む。
  論文  参考訳（メタデータ） (2025-09-30T15:14:24Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• Decoding on Graphs: Faithful and Sound Reasoning on Knowledge Graphs through Generation of Well-Formed Chains [66.55612528039894]
  知識グラフ(KG)は質問応答(QA)のための信頼できる知識ソースとして機能する。 我々は、LLMとKGの深い相乗効果を促進する新しいフレームワークであるDoG(Decoding on Graphs)を提案する。 様々なKGQAタスクに対して異なるバックグラウンドKGを用いた実験により、DoGが優れた、堅牢なパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-24T04:01:40Z)
• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
  我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• KG-Agent: An Efficient Autonomous Agent Framework for Complex Reasoning over Knowledge Graph [134.8631016845467]
  我々は、KG-Agentと呼ばれる自律LLMベースのエージェントフレームワークを提案する。 KG-Agentでは、LLM、多機能ツールボックス、KGベースのエグゼキュータ、知識メモリを統合する。 有効性を保証するため、プログラム言語を利用してKG上のマルチホップ推論プロセスを定式化する。
  論文  参考訳（メタデータ） (2024-02-17T02:07:49Z)
• Retrieve-Rewrite-Answer: A KG-to-Text Enhanced LLMs Framework for Knowledge Graph Question Answering [16.434098552925427]
  本稿では,知識グラフ質問応答(KGQA)課題を解決するために,KG拡張言語モデルアプローチについて検討する。 そこで本研究では,KGの知識をテキスト化された文に変換する,応答に敏感なKG-to-Textアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-20T10:42:08Z)

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。