MDER-DR: エンティティ中心の要約を用いたマルチホップ質問応答
arXiv cs.AI / 2026/3/13
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、MDER-DRを提示します。これは、文脈由来のトリプル記述とエンティティレベルの要約を用いて文脈上のニュアンスを保存し、取得時にグラフのエッジを明示的に辿る必要をなくすことで、マルチホップQAの性能を向上させるKGベースのQAフレームワークです。
- それは、インデックス作成のための Map-Disambiguate-Enrich-Reduce (MDER) を組み合わせ、強化されたトリプル記述を生成します。さらに、DR（Decompose-Resolve）を取得機構として組み合わせ、クエリを解決可能なトリプルに分解し、逐次推論を通じてKG上にグラウンドします。
- 提案されたパイプラインはドメイン非依存でLLM駆動であり、標準のRAGベースラインに対して大幅な改善を示します（最大66%）、標準およびドメイン固有のベンチマークでクロスリンガルの頑健性も示しています。
- 著者らは、さまざまなKGベースのQAシナリオへの再現と適応を促進するため、GitHubでオープンソースコードを提供しています。
知識グラフ（KG）上の Retrieval-Augmented Generation (RAG) は、インデックス作成アプローチがテキストをトリプルに要約する際に重要な文脈的ニュアンスを失う可能性があり、それが下流の質問応答（QA）タスクの性能を低下させるという問題を抱えています。特に、複数のエンティティ、事実、または関係から回答を構成する必要があるマルチホップQAにおいて顕著です。我々は、インデックス作成と検索/推論の両方のフェーズをカバーする、ドメイン非依存のKGベースのQAフレームワークを提案します。Map-Disambiguate-Enrich-Reduce (MDER) と呼ばれる新しいインデックス作成手法は、文脈由来のトリプル記述を生成し、それをエンティティレベルの要約と組み合わせて、QAの検索フェーズでグラフのエッジを明示的に辿る必要を回避します。これを補完する形で、Decompose-Resolve (DR) という検索機構を導入します。DR はユーザのクエリを解決可能なトリプルに分解し、それを逐次推論を通じてKG上でグラウンドします。MDERとDRを組み合わせると、Sparse（疎）、Incomplete（不完全）、複雑な関係データに対しても頑健なLLM駆動型のQAパイプラインが構築されます。実験の結果、標準ベンチマークとドメイン固有のベンチマークの両方で、MDER-DRは標準RAGベースラインよりも大幅な改善を達成（最大66%）、同時にクロスリンガルの頑健性を維持することが示されました。我々のコードは https://github.com/DataSciencePolimi/MDER-DR_RAG で公開されています。
