論文の概要: Efficient LLM-based Subgraph Retrieval for Multi-Hop Knowledge Base Question Answering

• arxiv url: http://arxiv.org/abs/2610.39667v1
• Date: Thu, 29 Oct 2026 09:18:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:01:31.512777
• Title: Efficient LLM-based Subgraph Retrieval for Multi-Hop Knowledge Base Question Answering
• Title（参考訳）: マルチホップ知識ベース質問応答のためのLLMに基づく効率的なサブグラフ検索
• Abstract要約: KBQA (Multi-hop Knowledge Base Question Answering) は、質問対象から複数のホップが離れている知識ベースに答えるエンティティを見つけることを目的としている。 抽出された部分グラフは、しばしば、その問題に弱いか無関係なノードを含む。 本研究は,M-ERの効率的なLLMに基づく部分グラフ検索手法を提案する。
• 参考スコア（独自算出の注目度）: 13.955963739277415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-hop Knowledge Base Question Answering (KBQA) aims to find answer entities in the knowledge base that are multiple hops away from the entities in the question. Information retrieval-based (IR-based) methods extract a pivotal subgraph from the entire KB to locate candidate answers and then evaluate their plausibility through semantic matching with the question. However, we observed that the extracted subgraphs often include nodes that are weakly related or irrelevant to the question. Without a proper node filtering mechanism, the number of irrelevant nodes grows as the number of hops increases, leading to excessive consumption of computational resources. To address these challenges, this study introduces an efficient LLM-based subgraph retrieval method for multi-hop knowledge base question answering, M-ER. The framework leverages Monte Carlo Tree Search (MCTS) to transform subgraph exploration into a tree-structured search process. During the MCTS selection phase, nodes that are highly relevant to the question are prioritized for inclusion in the subgraph, eliminating the need to traverse all nodes in the KB. The framework further incorporates a large language model (LLM) to refine the search direction, ensuring that exploration remains focused on nodes relevant to the question. In addition, selected nodes are quantitatively scored, and these scores are fed back into the node selection process to effectively filter out irrelevant candidates, thereby improving the quality of the subgraph. This mechanism not only narrows the search space but also enhances the overall efficiency of multi-hop KBQA. Experiments on the WebQSP benchmark demonstrate that M-ER achieves 78.88\% on the Hits@1 metric, while also improving computational efficiency. These results not only validate the effectiveness of M-ER, but also offer a viable technical path to balance performance and computational efficiency.
• Abstract（参考訳）: KBQA (Multi-hop Knowledge Base Question Answering) は、質問対象から複数のホップが離れている知識ベースに答えるエンティティを見つけることを目的としている。 情報検索に基づく(IRに基づく)手法は、KB全体から重要部分グラフを抽出し、候補の答えを特定し、その質問と意味マッチングによってその妥当性を評価する。 しかし,抽出された部分グラフには,その問題に弱い,あるいは無関係なノードがしばしば含まれていることがわかった。 適切なノードフィルタリング機構がなければ、ホップの数が増加するにつれて、無関係なノードの数が増加し、計算資源の過剰な消費につながる。 これらの課題に対処するために,マルチホップ知識ベース質問応答のための効率的なLLMに基づくサブグラフ検索手法であるM-ERを提案する。 このフレームワークはモンテカルロ木探索(MCTS)を利用して、グラフ探索を木構造探索プロセスに変換する。 MCTS選択フェーズでは、疑問に強く関連するノードがサブグラフに含めるように優先順位付けされ、KB内のすべてのノードをトラバースする必要がなくなる。 このフレームワークはさらに、探索方向を洗練するために大きな言語モデル(LLM)を組み込んでおり、探索が問題に関連するノードに焦点を絞っていることを保証している。 さらに、選択されたノードを定量的にスコアし、これらのスコアをノード選択プロセスにフィードバックし、無関係な候補を効果的にフィルタリングし、サブグラフの品質を向上させる。 この機構は探索空間を狭めるだけでなく、マルチホップKBQAの全体的な効率を向上させる。 WebQSPベンチマークの実験では、M-ERはHits@1で78.88\%を達成する一方で、計算効率も向上している。 これらの結果は、M-ERの有効性を検証するだけでなく、性能と計算効率のバランスをとるための有効な技術パスを提供する。

関連論文リスト

• MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries [2.756584457554517]
  Map-Disambiguate-Enrich-Reduce (MDER)はコンテキスト由来の3重記述を生成し、エンティティレベルの要約と統合する。 Decompose-Resolve (DR)は、ユーザクエリを解決可能なトリプルに分解し、知識グラフに格納する。 MDERとDRはLLM駆動のQAパイプラインを形成し、スパース、不完全、複雑なリレーショナルデータに対して堅牢である。
  論文  参考訳（メタデータ） (2026-03-11T18:38:44Z)
• Query-Aware Graph Neural Networks for Enhanced Retrieval-Augmented Generation [0.0]
  検索強化生成(RAG)のための新しいグラフニューラルネットワークアーキテクチャを提案する。 提案手法は,テキストチャンク間の逐次的および意味的関係をキャプチャする,エピソードごとの知識グラフを構築する。 ユーザクエリに基づいてグラフの関連部分に動的にフォーカスするクエリ誘導プーリングを備えた拡張グラフアテンションネットワークを導入する。
  論文  参考訳（メタデータ） (2025-07-25T19:42:27Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• Feedback-Aware Monte Carlo Tree Search for Efficient Information Seeking in Goal-Oriented Conversations [10.352944689413398]
  本稿では,Large Language Models (LLMs) を利用して情報探索質問を生成する新しいフレームワークを提案する。 推測時間計画の一環として,情報獲得を最大化する質問を戦略的に選択する。 本研究は,目標指向対話における情報探索の促進にMCTSが有効であることを示すものである。
  論文  参考訳（メタデータ） (2025-01-25T03:42:22Z)
• LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
  本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
  論文  参考訳（メタデータ） (2024-06-29T05:14:04Z)
• PipeNet: Question Answering with Semantic Pruning over Knowledge Graphs [56.5262495514563]
  本稿では,雑音の多い計算ノードに対して,グラウンドング・プルーニング・レゾニング・パイプラインを提案する。 また,グラフアテンションネットワーク(GAT)をベースとしたサブグラフデータに基づくモジュールを提案する。
  論文  参考訳（メタデータ） (2024-01-31T01:37:33Z)
• Autonomous Tree-search Ability of Large Language Models [58.68735916408101]
  大規模言語モデルは、高度なプロンプト技術で顕著な推論能力に優れています。 近年の研究では、LLMがより困難な推論タスクを解くために受動的木探索を行えるように、検索ロジックを定義するために外部プログラムを活用することが提案されている。 我々は,LLMの自律木探索能力という新しい概念を提案し,正しい解を求める探索軌跡を含む応答を自動生成する。
  論文  参考訳（メタデータ） (2023-10-14T14:14:38Z)
• Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
  本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。 提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
  論文  参考訳（メタデータ） (2022-02-22T01:34:35Z)
• Efficient Contextualization using Top-k Operators for Question Answering over Knowledge Graphs [24.520002698010856]
  本研究は,KB対応信号を用いて検索空間の無関係な部分を抽出する効率的なECQAを提案する。 最近の2つのQAベンチマークによる実験では、解答の有無、検索空間のサイズ、ランタイムに関して、最先端のベースラインよりもECQAの方が優れていることが示されている。
  論文  参考訳（メタデータ） (2021-08-19T10:06:14Z)

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。