본 논문은 지식 그래프 기반의 다중 홉 질문 응답 문제에서 계산 효율성과 검증 가능성을 모두 해결하는 하이브리드 알고리즘 두 가지를 제시합니다. 첫째, LLM을 활용하여 관계 시퀀스를 예측하고 광범위 우선 탐색으로 실행하는 "LLM-Guided Planning"은 높은 정확도를 유지하며 모든 답변을 지식 그래프에 기반합니다. 둘째, 텍스트 및 그래프 임베딩을 융합한 경량 엣지 스코어러를 사용하여 LLM 호출 없이 100배 이상의 속도 향상을 이루는 "Embedding-Guided Neural Search"를 제안합니다. 또한, 지식 증류를 통해 계획 능력을 40억 개의 파라미터를 가진 모델로 압축하여 대규모 모델과 동일한 성능을 API 비용 없이 달성합니다. MetaQA 데이터셋 평가 결과, 지식 그래프 기반의 추론이 그렇지 않은 경우보다 우수하며, 구조적 계획이 직접 답변 생성보다 더 높은 전이성을 보임을 확인했습니다.
