본 논문은 대규모 언어 모델(LLM)의 사실적 정확성 문제를 해결하기 위해 지식 그래프(KG)를 통합하는 지식 기반 질의응답(KBQA) 프레임워크인 iQUEST를 제안합니다. iQUEST는 복잡한 질문을 단순한 하위 질문으로 반복적으로 분해하여 구조적이고 집중적인 추론 경로를 유지하고, 그래프 신경망(GNN)을 이용하여 2-hop 이웃 정보를 고려하여 중요한 다중 홉 연결을 누락하는 것을 방지합니다. 실험 결과, 네 개의 벤치마크 데이터셋과 네 개의 LLM에서 iQUEST의 성능 향상을 보여줍니다.
