대규모 언어 모델(LLM)은 많은 자연어 처리 작업에서 뛰어난 성능을 보이지만, 지식 집약적인 시나리오에서는 사실적 오류가 발생하는 경우가 많습니다. 특히 지식 그래프(KG)와 같은 외부 지식 자원을 통합하면 더욱 신뢰할 수 있는 추론을 위한 투명하고 업데이트 가능한 기반을 제공합니다. 지식 기반 질의응답(KBQA)은 KG를 쿼리하고 추론하는 방식으로, 특히 복잡한 다단계 쿼리의 경우 중추적인 역할을 합니다. 그러나 다단계 추론은 (1) 일관된 추론 경로 유지 및 (2) 중요한 다단계 연결을 조기에 버리는 것을 피하는 두 가지 주요 과제를 안고 있습니다. 이러한 문제를 해결하기 위해 본 논문에서는 복잡한 쿼리를 더 단순한 하위 질문으로 반복적으로 분해하여 구조적이고 집중적인 추론 경로를 보장하는 질문 기반 KBQA 프레임워크인 iQUEST를 제시합니다. 또한, 그래프 신경망(GNN)을 통합하여 각 추론 단계에서 2-hop 이웃 정보를 미리 살펴보고 통합합니다. 이러한 이중 접근 방식은 추론 과정을 강화하여 모델이 실행 가능한 경로를 더 효과적으로 탐색할 수 있도록 합니다. 자세한 실험을 통해 네 가지 벤치마크 데이터 세트와 네 가지 LLM에서 iQUEST가 일관되게 성능을 향상시킨다는 것을 보여줍니다.
