Ontology-Guided Reverse Thinking Makes Large Language Models Stronger on Knowledge Graph Question Answering
Created by
Haebom
저자
Runxuan Liu, Bei Luo, Jiaqi Li, Baoxin Wang, Ming Liu, Dayong Wu, Shijin Wang, Bing Qin
개요
본 논문은 대규모 언어 모델(LLM)의 지식 그래프 질의응답(KGQA) 성능 향상을 위한 새로운 프레임워크인 Ontology-Guided Reverse Thinking (ORT)를 제안합니다. 기존 KGQA 방법들이 엔티티 벡터 매칭에 의존하여 다단계 추론이 필요한 질문에 대한 응답에 어려움을 겪는 문제를 해결하기 위해, 인간의 역추론 방식에서 영감을 얻어 목적에서 조건으로 거슬러 올라가는 추론 경로를 구성하는 ORT를 제시합니다. ORT는 LLM을 이용한 목적 및 조건 레이블 추출, 지식 그래프 온톨로지 기반 레이블 추론 경로 생성, 레이블 추론 경로를 이용한 지식 검색의 세 단계로 구성됩니다. WebQSP 및 CWQ 데이터셋 실험 결과, ORT는 최첨단 성능을 달성하고 LLM의 KGQA 능력을 크게 향상시키는 것을 보여줍니다.
시사점, 한계점
•
시사점:
◦
LLM 기반 KGQA에서 다단계 추론 문제 해결에 새로운 접근 방식 제시
◦
역추론 방식을 활용하여 정보 손실 및 중복성 감소
◦
온톨로지 기반 추론 경로 생성으로 정확도 향상
◦
WebQSP 및 CWQ 데이터셋에서 최첨단 성능 달성
•
한계점:
◦
제안된 ORT 프레임워크의 일반성 및 다른 지식 그래프나 질문 유형에 대한 적용성에 대한 추가 연구 필요
