知識グラフに対するオープンワールド質問応答に向けたLLM-GNN統合の活用

要旨: 知識グラフ（KG）に対するオープンワールド質問応答（OW-QA）は、不完全または進化し続けるKG上で質問に答えることを目的としています。従来のKGQAは、答えがKG内に存在する必要があるクローズドワールドを前提としており、現実世界への適用可能性を制限しています。これに対してオープンワールドQAでは、グラフ構造と文脈に基づいて欠落した知識を推論することが必要です。大規模言語モデル（LLM）は言語理解に優れている一方で、構造化された推論を欠いています。グラフニューラルネットワーク（GNN）はグラフのトポロジーをモデル化できますが、意味の解釈が難しいという課題があります。既存のシステムでは、LLMとGNNまたはグラフ探索（グラフリトリーバ）を統合したものがあります。いくつかはオープンワールドQAを支援しますが、意味の根拠付けを行わずに構造的埋め込みに依存しています。多くは観測されたパスや完全なグラフを前提としているため、欠落リンクや多段（multi-hop）推論のもとでは信頼性が低くなります。私たちは、事前学習済みのGNNとLLMを組み合わせたハイブリッドシステムGLOWを提案し、オープンワールドKGQAを実現します。GNNはグラフ構造から上位k件の候補解を予測します。これらに加えて関連するKG事実を、構造化プロンプト（例：三つ組みと候補）としてシリアライズし、LLMの推論を導きます。これにより、探索や微調整に依存せずに、記号的信号と意味的信号をまたいだ共同推論が可能になります。汎化性能を評価するために、不完全なKGにまたがる多様な領域で1,000問からなるベンチマークGLOW-BENCHを導入します。GLOWは、標準ベンチマークおよびGLOW-BENCHにおいて既存のLLM-GNNシステムを上回り、最大53.3%および平均38%の改善を達成します。GitHubのコードとデータを公開しています。