RouterKGQA: 制約を意識した知識グラフ質問応答のための専門-汎用モデルルーティング

要約: 知識グラフ質問応答（KGQA）は、推論を構造化され検証可能な知識グラフに基づかせることによって、LLMの幻覚を抑制する有望なアプローチです。既存のアプローチは二つのパラダイムに分類されます：検索ベースの方法は小型の専用モデルを利用し、効率的ですが、しばしば到達不能な経路を生み出し、暗黙の制約を見逃します。一方、エージェントベースの方法は大規模な一般モデルを利用し、はるかに高いコストでより強力な構造的根拠を得ます。私たちは、専門モデルと一般モデルの協調の枠組み RouterKGQA を提案します。ここで専門モデルが推論パスを生成し、必要な場合にのみ一般モデルが KG に基づく修復を実行することで、最小コストで性能を向上させます。さらに、専門モデルに制約認識型の回答フィルタリングを搭載し、冗長な回答を削減します。加えて、より効率的な一般エージェントのワークフローを設計し、推論コストをさらに低減します。実験結果は、RouterKGQA が従来の最高値を平均して F1 が 3.57 ポイント、Hits@1 が 0.49 ポイント上回ることを示しており、質問ごとに平均してわずか 1.15 回の LLM 呼び出ししか必要としません。コードとモデルは https://github.com/Oldcircle/RouterKGQA で公開されています。