# iQUEST: An Iterative Question-Guided Framework for Knowledge Base Question Answering

### 저자

Shuai Wang, Yinan Yu

### 개요

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.

### 시사점, 한계점

- **시사점:**

    - LLM의 사실적 정확성 향상에 기여하는 새로운 KBQA 프레임워크 iQUEST 제시

    - 질문 안내 하에 복잡한 질문을 단순화하여 추론 경로를 효과적으로 관리하는 방법 제시

    - GNN을 활용하여 다중 홉 추론의 정확도를 높이는 효과적인 전략 제시

    - 다양한 LLM과 데이터셋에서 iQUEST의 우수성을 실험적으로 검증

- **한계점:**

    - iQUEST의 성능 향상은 특정 벤치마크 데이터셋과 LLM에 국한될 수 있음

    - GNN을 이용한 2-hop 정보 활용의 효과는 더욱 심층적인 분석이 필요

    - 실제 세계의 복잡하고 다양한 질문에 대한 일반화 성능은 추가적인 연구가 필요

[PDF 보기](https://arxiv.org/pdf/2506.01784)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).