論文の概要: Reranking Answers of Large Language Models with Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2610.25185v1
• Date: Sun, 18 Oct 2026 11:12:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:04:10.163232
• Title: Reranking Answers of Large Language Models with Knowledge Graphs
• Title（参考訳）: 知識グラフを用いた大規模言語モデルの再検討
• Abstract要約: 本研究では,質問・回答集合からエンティティ候補に関連する部分グラフを抽出する手法を提案する。 提案手法は,各サブグラフから抽出できる様々な特徴を詳述し,最も可能性の高い回答を選択するためにモデルを再分類する。
• 参考スコア（独自算出の注目度）: 44.88091661651521
• License:
• Abstract: Answering natural language questions over knowledge graph data is challenging due to the vast number of facts, which can be difficult to process and navigate. One potential solution for this issue is to use mined subgraphs related to the query, although this process still requires extracting these subgraphs. This research presents a solution for extracting subgraphs related to entity candidates from a question-and-answer set, which can be obtained by inferring a large language model by calculating the shortest paths between entities. The proposed approaches detail various features that can be extracted from the subgraphs and reranking models to select the most probable answers from a list of candidates. Experiments were conducted on Wikidata to evaluate the effectiveness of the proposed approaches. This involved enumerating all the main feature types that can be extracted from mined subgraphs and a detailed analysis of the proposed features and reranking method combinations. In addition, a public web application that provides a useful web tool for studying the graph space between question and answer entities has been developed to work with subgraphs. This includes visualization of the extracted subgraph and automatic generation of natural language text to describe it.
• Abstract（参考訳）: 知識グラフデータに対する自然言語質問への回答は、膨大な数の事実のために困難であり、処理とナビゲートが困難である可能性がある。 この問題の潜在的な解決策の1つは、クエリに関連するマイニングされたサブグラフを使用することであるが、このプロセスではこれらのサブグラフを抽出する必要がある。 本研究では,エンティティ間の最短経路を計算し,大規模言語モデルを推定することにより,エンティティ候補に関連するサブグラフを問答集合から抽出する手法を提案する。 提案手法では,各サブグラフから抽出可能な様々な特徴を詳述し,候補リストから最も確率の高い回答を選択するためにモデルを再分類する。 Wikidataを用いて提案手法の有効性を評価する実験を行った。 これには、採掘された部分グラフから抽出できる主要な特徴タイプをすべて列挙することと、提案した特徴の詳細な分析とメソッドの組み合わせの再分類が含まれていた。 さらに,問合せエンティティと解答エンティティ間のグラフ空間を研究する上で有用なWebツールを提供する公開Webアプリケーションも開発され,サブグラフを扱うようになっている。 これには抽出したサブグラフの可視化や、それを記述する自然言語テキストの自動生成が含まれる。

関連論文リスト

• Pointwise Mutual Information as a Performance Gauge for Retrieval-Augmented Generation [78.28197013467157]
  文脈と問合せの間のポイントワイドな相互情報は,言語モデルの性能向上に有効な指標であることを示す。 本稿では,文書と質問のポイントワイドな相互情報を利用する2つの手法を提案する。
  論文  参考訳（メタデータ） (2024-11-12T13:14:09Z)
• Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
  我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。 提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
  論文  参考訳（メタデータ） (2024-06-14T13:28:03Z)
• Evaluating Large Language Models in Semantic Parsing for Conversational Question Answering over Knowledge Graphs [6.869834883252353]
  本稿では,この課題に対して事前訓練を受けていない大規模言語モデルの性能を評価する。 その結果,大規模言語モデルでは対話からグラフクエリを生成することができることがわかった。
  論文  参考訳（メタデータ） (2024-01-03T12:28:33Z)
• SEMQA: Semi-Extractive Multi-Source Question Answering [94.04430035121136]
  本稿では,複数ソースを半抽出的に要約することで,複数の質問に答える新しいQAタスクを提案する。 この種の最初のデータセットであるQuoteSumを作成し、自然および生成された質問に対する人間による半抽出的な回答を提示する。
  論文  参考訳（メタデータ） (2023-11-08T18:46:32Z)
• GraphextQA: A Benchmark for Evaluating Graph-Enhanced Large Language Models [33.56759621666477]
  本稿では,言語モデルへのグラフ知識の統合を評価するためのベンチマークデータセットを提案する。 提案したデータセットは,グラフの理解能力を評価し,回答生成に利用するように設計されている。 言語のみのモデルと提案したグラフ言語モデルを用いて,ペアグラフの有用性を検証し,課題の難しさを実証する。
  論文  参考訳（メタデータ） (2023-10-12T16:46:58Z)
• Large Language Models Meet Knowledge Graphs to Answer Factoid Questions [57.47634017738877]
  本稿では,知識グラフから追加情報に富んだ事前学習されたテキスト・テキスト言語モデルを探索する手法を提案する。 抽出した部分グラフの線形化によりトランスフォーマーモデルで容易に情報を得る。 抽出された情報で回答候補を最終ランク付けすると、事前訓練されたテキスト-テキスト言語モデルのHits@1スコアが4-6%向上する。
  論文  参考訳（メタデータ） (2023-10-03T15:57:00Z)
• Domain Specific Question Answering Over Knowledge Graphs Using Logical Programming and Large Language Models [10.258158633354686]
  我々のアプローチは古典論理型言語を大規模言語モデル(LLM)に統合する。 実験結果から,アノテートされた少数のデータを用いてトレーニングした場合でも,全ての質問に対して正解の正解を正確に同定できることが示唆された。
  論文  参考訳（メタデータ） (2023-03-03T20:35:38Z)
• Unsupervised Extractive Summarization with Heterogeneous Graph Embeddings for Chinese Document [5.9630342951482085]
  中国語文書にヘテロジニアスグラフ埋め込み (HGE) を組み込んだ教師なし抽出サマリザイトン法を提案する。 実験結果から,本手法は3つの要約データセットにおいて,強いベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2022-11-09T06:07:31Z)

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。