論文の概要: KGCaRe: Explainable Complex Conditional Question Answering using Automatic Knowledge Graph Construction and Context Retrieval with LLMs

• arxiv url: http://arxiv.org/abs/2608.09779v1
• Date: Mon, 10 Aug 2026 16:05:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.376092
• Title: KGCaRe: Explainable Complex Conditional Question Answering using Automatic Knowledge Graph Construction and Context Retrieval with LLMs
• Title（参考訳）: KGCaRe: LLMを用いた知識グラフ構築と文脈検索による説明可能な複合条件質問回答
• Abstract要約: KGCaReは、LLM生成知識グラフ上のニューラルネットワークとシンボリック推論を組み合わせたハイブリッドアプローチである。 KGCaReを2つの複雑な条件付きQAデータセットで評価する。
• 参考スコア（独自算出の注目度）: 6.065980162749203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Answering complex conditional questions using Large Language Models (LLMs) and Retrieval-Augmented Generation (RAG) remains a challenge, particularly in domain-specific contexts where general-purpose LLMs and RAG tend to underperform. We hypothesize that augmenting RAG with unstructured and structured knowledge, extracted from both documents and knowledge graphs (KGs), can improve reasoning and answer accuracy for such tasks. To test this, we propose KGCaRe, a hybrid approach that combines neural retrieval with symbolic reasoning over LLM-generated KGs. KGCaRe constructs a KG from documents using a multi-prompt extraction strategy and stores it in a graph database. Simultaneously, the documents are embedded into a vector store to enable neural retrieval. KGCaRe performs innovative iterative graph traversal guided by the LLM to extract relevant triples, prune irrelevant information, and uses additional clue entities to traverse the graph again if the initial traversal does not provide satisfactory context to generate the answer. The relevant triples extracted from the KG in path form, along with semantically retrieved text passages, are then fed into custom KGCaRe prompts to generate answers to the complex conditional questions with explanations. We evaluate KGCaRe on two complex conditional QA datasets. Our results on these datasets show that KGCaRe consistently outperforms existing baselines, including Vanilla LLM, Code Prompt, Text Prompt, Think-on-Graph, Vanilla RAG, and HybridContextQA, across multiple LLMs such as Mistral, Mixtral, GPT-3.5, and GPT-4o. We publicly release the software pipeline that we developed to implement the proposed KGCaRe approach.
• Abstract（参考訳）: 大規模言語モデル (LLM) と検索型拡張生成 (RAG) を用いた複雑な条件付き質問への回答は、特に汎用LLMとRAGが過小評価されるドメイン固有の文脈において、依然として課題である。 我々は、文書と知識グラフ(KGs)から抽出した構造化されていない知識でRAGを増強することで、これらのタスクの推論と解答精度を向上させることができると仮定する。 そこで本研究では,LLM生成KG上でのニューラル検索とシンボリック推論を組み合わせたハイブリッド手法であるKGCaReを提案する。 KGCaReは、マルチプロンプト抽出戦略を用いて文書からKGを構築し、それをグラフデータベースに格納する。 同時に、ドキュメントをベクトルストアに埋め込んで、ニューラル検索を可能にする。 KGCaRe は LLM によって導かれるイノベーティブな反復グラフトラバーサルを実行し、関連する三重項を抽出し、無関係な情報をプーンし、初期トラバーサルがその答えを生成するのに満足のいく文脈を提供していなければ、グラフを再びトラバーサルするために追加の手がかりエンティティを使用する。 経路形式のKGから抽出された関連する三つ組は、意味的に検索されたテキストパスとともに、カスタムのKGCaReプロンプトに入力され、複雑な条件付き質問に対する回答を説明付きで生成する。 KGCaReを2つの複雑な条件付きQAデータセットで評価する。 これらのデータセットの結果から,KGCaReは既存のベースライン,例えばVanilla LLM, Code Prompt, Text Prompt, Think-on-Graph, Vanilla RAG, HybridContextQA を,Mistral, Mixtral, GPT-3.5, GPT-4o など複数の LLM で一貫して上回っていることがわかった。 提案されたKGCaReアプローチを実装するために開発したソフトウェアパイプラインを公開しています。

関連論文リスト

• KG2Code: Bridging Knowledge Graphs and Large Language Models via Executable Code for Question Answering [64.63418702318029]
  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。
  論文  参考訳（メタデータ） (2026-06-26T11:27:55Z)
• Better Later Than Sooner: Neuro-Symbolic Knowledge Graph Construction via Ontology-grounded Post-extraction Correction [6.031254272577503]
  質問応答(QA)はAIの中核的な課題であり、特にマルチホップ推論を必要とする複雑なクエリに対してである。 オープンドメイン抽出と組込み型正規化を併用したオントロジー的KG構築のためのニューロシンボリックフレームワークを提案する。 抽出したKGは,SPARQLグラフパターンの発生を計測することにより,シンボリッククエリに適していることを示す。
  論文  参考訳（メタデータ） (2026-05-27T23:09:10Z)
• Can Knowledge-Graph-based Retrieval Augmented Generation Really Retrieve What You Need? [57.28763506780752]
  GraphFlowは、テキストリッチなKGから現実世界のクエリに必要な正確で多様な知識を効率的に取得するフレームワークである。 GPT-4oを含む強力なKG-RAGベースラインを10%上回り、ヒット率とリコール率で上回る。 また、KGを見えないものに強く一般化し、その有効性と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-10-18T17:06:49Z)
• 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)
• KG-CQR: Leveraging Structured Relation Representations in Knowledge Graphs for Contextual Query Retrieval [5.263064605350636]
  我々は、コンテキストクエリ検索(CQR)のための新しいフレームワークであるKG-CQRを提案する。 KG-CQRは、構造化された関係表現によるクエリエンリッチメントに焦点を当て、関連するKGサブグラフを抽出して、セマンティックにリッチなクエリコンテキストを生成する。 RAGBenchとMultiHop-RAGデータセットの実験結果は、KG-CQRの優れたパフォーマンスを示し、mAPが4-6%改善され、強力なベースラインモデルよりもRecall@25が2-3%改善された。
  論文  参考訳（メタデータ） (2025-08-28T04:37:15Z)
• Ontology-Guided, Hybrid Prompt Learning for Generalization in Knowledge Graph Question Answering [6.232269207752904]
  OntoSCPromptは,2段階アーキテクチャを持つ新しい大規模言語モデル(LLM)ベースのKGQAアプローチである。 OntoSCPromptはまず、SPARQLクエリ構造(SELECT、ASK、WHERE、トークン不足のためのプレースホルダーなどのSPARQLキーワードを含む)を生成し、KG固有の情報でそれらを埋める。 両段階で生成されたSPARQLクエリの正しさと実行性を保証するために,タスク固有のデコーディング戦略をいくつか提示する。
  論文  参考訳（メタデータ） (2025-02-06T11:47:58Z)
• Multi-hop Question Answering over Knowledge Graphs using Large Language Models [1.8130068086063336]
  複数のホップを含む知識グラフに答える能力(LLM)を評価する。 我々は、KGのサイズや性質によって、関連する情報をLLMに抽出し、供給するために異なるアプローチが必要であることを示す。
  論文  参考訳（メタデータ） (2024-04-30T03:31:03Z)
• 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)
• Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
  本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。 クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。 我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
  論文  参考訳（メタデータ） (2023-01-21T02:34:06Z)
• 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。