본 논문은 자연어 질문을 SPARQL 쿼리로 변환하는 기존 방법의 한계를 지적하고, 이를 해결하기 위한 새로운 접근법인 FRASE (FRAme-based Semantic Enhancement)를 제시합니다. 기존 데이터셋의 템플릿 기반 편향으로 인해 모델이 진정한 일반화 능력을 갖추지 못하고 템플릿 매핑에만 의존하는 문제를 해결하기 위해, Frame Semantic Role Labeling (FSRL)을 활용하여 질문의 의미적 구조를 강화합니다. 또한, LC-QuAD 2.0을 기반으로 FRASE를 적용하여 질문에 프레임 정보를 추가한 새로운 데이터셋 LC-QuAD 3.0을 공개하고, 다양한 대규모 언어 모델(LLM)을 이용한 실험을 통해 FRASE의 효과를 검증합니다. 실험 결과, FRASE 기반의 구조화된 표현을 통합함으로써, 특히 새로운 템플릿을 포함하는 질문(unknown template splits)과 자연어로 표현된 질문(reformulated questions)과 같은 일반화가 어려운 상황에서 SPARQL 생성 성능이 향상됨을 보여줍니다.
