技術概要：UniQGen – 制約誘導型大規模言語エージェントによるグラフクエリ生成

問題定義

知識グラフ質問応答（KGQA）は、従来、SPARQL を介してクエリを実行するリソース記述フレームワーク（RDF）モデルと、Cypher または Gremlin を介してクエリを実行するラベル付きプロパティグラフ（LPG）モデルという、2 つの孤立したパラダイムに分割されてきた。この分離により、「グラフモデルのロックイン」効果が生じ、組織が特定のパラダイムにコミットすることがクエリ言語やツールチェーンに波及し、移行コストを高める。大規模言語モデル（LLM）はグラフクエリの生成において有望な成果を示しているが、産業分野への実装には 4 つの重大な課題が存在する：

1. ハルシネーション/ミスマッチ: LLM は、構文上は有効なクエリを生成するが、それが基盤となる知識グラフ（KG）のスキーマやトポロジーと一致しないことが頻繁にある。
2. 実用的制約の欠落: 生成されたクエリは、暗黙のユーザー意図（例：単なる「薬」ではなく「承認された薬」をフィルタリングする等）を捉え損なうことが頻繁にある。
3. 高い保守コスト: 既存の手法はスキーマ固有の微調整に大きく依存しており、スキーマが変化する際や新しい KG へ移行する際に脆くなる。
4. 統一ソリューションの欠如: 大半のベンチマークや手法は単一のクエリ言語（通常は SPARQL）に焦点を当てており、再学習なしの統一された言語間生成（例：Cypher）のギャップが残されている。

手法：UniQGen フレームワーク

著者は、自然言語（NL）クエリを、Chase & Backchase アルゴリズムの変種に基づく制約誘導アプローチを用いて、実行可能なグラフクエリ（Cypher または SPARQL）に変換する、学習不要でスキーマ非依存のフレームワーク「UniQGen」を提案する。このフレームワークは、LLM エージェントによってオーケストレーションされる 3 つの主要な段階で動作する：

1. クエリ中心の事実抽出

NL クエリ $Q_n$ と KG $G$ が与えられた場合、システムはまずエンティティリンクを行い、言及されたノードを特定する。その後、これらのエンティティの $k$-ホップ近傍を集約することで、局所的な部分グラフ $G'$ を誘導する。この部分グラフは、後続の制約抽出のための事実的コンテキストとして機能する。

2. CTable 構築

エージェント $a_1$ は、言語非依存の抽象化である**制約テーブル（CTable）**を構築する。これには以下の要素が含まれる：

• 型付きトリプルパターン: エンティティ間の関係。
• 値制約: リテラルに対するフィルタ（例：$x > c$）。
• 構造的制約: ジョイン、有界パスなど。
  重要なのは、エージェントがクエリコンテキストから導出された暗黙的/実用的制約（例：Approved=True）をこのテーブルに付加することである。各制約 $c_i$ には、KG 内での一致回数に基づいて不確実性スコア $u_i \in [0, 1]$ が割り当てられ、探索プロセスを誘導する。CTable は、論理的操作を容易にするために単調なコアに正規化される。

3. LM 支援型 Chase & Backchase ループ

エージェント $a_2$ は、LLM 完全性（すべての参照回答を網羅すること）とLLM 妥当性（無関係な回答を除外すること）のバランスを取るために、ビーム探索戦略を用いた 2 段階の探索を実行する：

• クエリ Chase 段階（緩和）: すべての制約を含む「ユニバーサルクエリ（$Q_U$）」から開始し、クエリが参照回答セット $A$（LLM オラクルによって提供される）を網羅しない場合、制約を 1 つずつ反復的に除去する。これにより、相対的な完全性が保証される。
• クエリ Backchase 段階（強化）: $Q_U$ の部分クエリから開始し、冗長性なしに参照セットを満たす「最小クエリ（$Q_M$）」を見つけるために、制約を反復的に追加する。これにより、相対的な妥当性と最小性が保証される。
• レンダリング: 最終的な論理プランは、プラグ可能なレンダラーを介して、ターゲットクエリ言語（Cypher または SPARQL）に変換される。

このフレームワークは、オフライン学習ではなく、参照回答セット $A$ に対するランタイム検証に依存しているため、スキーマのドリフトや新しい KG に対して、最小限の設定（例：類義語リストの更新）で適応可能である。

主な貢献

1. 展開に優しい統一パイプライン: UniQGen は、制約抽出、CTable 構築、Chase & Backchase による洗練を単一のパイプラインに統合し、微調整なしでスキーマレスな KGQA に対して文法的に正しく、意味的に妥当なクエリを生成する。
2. 制約ベースの再定式化: 著者は、グラフクエリ生成のために Chase & Backchase アルゴリズムを適応させ、ビーム探索を通じて候補制約を探索する LLM エージェントを活用し、相対的な完全性と妥当性の保証を強制する。
3. リソースと評価: 著者は、Cypher と SPARQL の両方をサポートする Amazon Neptune 上に Freebase グラフを展開した。また、再現性のある言語間研究を促進するために、キュレーションされた Freebase スナップショット、ワンステップ展開レシピ、および人気のある SPARQL ベンチマーク（GraphQ、GrailQA、WebQSP）と整合したゴールド Cypher ペアを公開した。

実験結果

このフレームワークは、3 つの標準ベンチマーク（GraphQ、GrailQA、WebQSP）で評価された。

• 性能: UniQGen は、精度と効率の両面で、最先端のベースライン（Pangu や ArcaneQA など）を上回った。
  • GraphQにおいて、UniQGen は最良のベースラインに対して F1 スコアで**31.6%**の向上を達成した。
  • GrailQAにおいて、F1 スコアで**4.9%**の向上を達成した。
  • 学習ベースの手法が劣化しがちな低リソース設定（GraphQ）や多段クエリにおいて、優れた性能を示した。
• 言語間能力: このフレームワークは、SPARQL 中心の KGQA ベンチマークでこれまで十分に探求されていなかった領域である、高品質な Cypher クエリの生成に成功した。
• 効率性: 数日間の微調整を必要とする学習ベースのシステムとは異なり、UniQGen は学習コストがゼロである。クエリあたりの平均生成遅延は約 40 秒であり、最小プランの実行は 0.3 秒未満（P50）である。
• 堅牢性: システムは、生産環境のような制約（タイムアウト、同時リクエスト）下で安定した性能を維持し、ベースラインと比較して複雑な多段クエリにおいて優雅な劣化を示した。

意義と主張

本論文は、UniQGen が「言語ロックイン」を緩和する統一された学習不要のアプローチを提供することで、学術的な KGQA ソリューションと産業ニーズの間の重要なギャップを埋めると主張している。LLM エージェントを用いた Chase & Backchase アルゴリズムを活用することで、このフレームワークは高価なスキーマ固有の学習を必要とせず、参照回答セットに対する妥当性と完全性の相対的な保証を提供する。

著者は、このアプローチが、スキーマが大規模で動的、または独自（スキーマレス）であり、再学習なしでクエリ言語間（例：Cypher と SPARQL）を切り替える能力が不可欠なエンタープライズグレードの KGQA に特に適していると強調している。Neptune 対応の Freebase スナップショットと言語間ベンチマークの公開は、再現性のある統一 KGQA に関する将来の研究を支援することを意図している。