UltRAG：知識グラフRAGのためのユニバーサルでシンプルかつスケーラブルなレシピ

概要: 大規模言語モデル（LLM）は、言語生成に用いたとき、確信に満ちた内容を生成する一方で、事実としては誤っていることがしばしばあります（この現象は一般にハルシネーションとして知られています）。検索拡張生成（RAG）は、知識コーパス内の情報を特定し、それをモデルのコンテキストウィンドウに入れることで、事実誤認を減らそうとします。このアプローチは文書が構造化されたデータに対しては確立されていますが、特にグラフ上で複数ノード／複数ホップの推論を必要とするクエリに対しては、知識グラフ（KG）へ適応することは自明ではありません。私たちは、従来型のRAGから切り替える一般的な枠組みとしてULTRAGを提案します。市販のニューラルなクエリ実行モジュールをLLMに組み込むことで、LLMまたはその実行器に対する再訓練を一切行わずに、言語モデルが知識グラフ質問応答（KGQA）タスクで最先端の結果を容易に達成できることを示します。実験の結果、ULTRAGは最先端のKG-RAG解法と比較してより良い性能を達成し、Wikidata規模のグラフ（1.16億エンティティ、16億リレーション）に対して、同等またはより低いコストで言語モデルがインターフェースできることを可能にします。