Resumo Técnico: UniQGen – Geração de Consultas em Grafos com Agentes de Linguagem Natural Guiados por Restrições

Declaração do Problema

A Resposta a Perguntas em Grafos de Conhecimento (KGQA) tem sido tradicionalmente isolada em dois paradigmas distintos: o modelo de Estrutura de Descrição de Recursos (RDF), consultado via SPARQL, e o modelo de Grafo de Propriedades Rotuladas (LPG), consultado via Cypher ou Gremlin. Essa separação cria um efeito de "trava de modelo de grafo", onde compromissos organizacionais com um paradigma específico se propagam para linguagens de consulta e cadeias de ferramentas, tornando a migração custosa. Embora os Modelos de Linguagem de Grande Escala (LLMs) tenham demonstrado potencial na geração de consultas em grafos, a implantação industrial enfrenta quatro desafios críticos:

1. Alucinação/Desalinhamento: LLMs frequentemente geram consultas sintaticamente válidas que não correspondem ao esquema ou topologia subjacente do Grafo de Conhecimento (KG).
2. Falta de Restrições Pragmáticas: Consultas geradas frequentemente falham em capturar intenções implícitas do usuário (por exemplo, filtrar por "medicamentos aprovados" em vez de apenas qualquer medicamento).
3. Altos Custos de Manutenção: Métodos existentes dependem fortemente de ajuste fino específico de esquema, tornando-os frágeis quando os esquemas evoluem ou ao migrar para novos KGs.
4. Falta de Soluções Unificadas: A maioria dos benchmarks e métodos foca em uma única linguagem de consulta (geralmente SPARQL), deixando uma lacuna para geração unificada e multilíngue (por exemplo, Cypher) sem retreinamento.

Metodologia: Framework UniQGen

Os autores propõem o UniQGen, um framework sem treinamento e agnóstico a esquemas que converte consultas em linguagem natural (NL) em consultas em grafos executáveis (Cypher ou SPARQL) usando uma abordagem guiada por restrições baseada em uma variante do algoritmo Chase & Backchase. O framework opera através de três etapas principais orquestradas por agentes LLM:

1. Extração de Fatos Centrada na Consulta

Dada uma consulta em NL $Q_n$ e um KG $G$, o sistema primeiro realiza a vinculação de entidades para identificar os nós mencionados. Em seguida, induz um subgrafo local $G'$ agregando os vizinhos de $k$-hop dessas entidades. Este subgrafo serve como contexto factual para a extração subsequente de restrições.

2. Construção da Tabela de Restrições (CTable)

O agente $a_1$ constrói uma Tabela de Restrições (CTable), uma abstração agnóstica a linguagens contendo:

• Padrões de Triplos Tipados: Relações entre entidades.
• Restrições de Valor: Filtros em literais (por exemplo, $x > c$).
• Restrições Estruturais: Junções, caminhos limitados, etc.
  Crucialmente, o agente amplia esta tabela com restrições implícitas/pragmáticas (por exemplo, Aprovado=True) derivadas do contexto da consulta. Cada restrição $c_i$ recebe uma pontuação de incerteza $u_i \in [0, 1]$ baseada na sua contagem de correspondências no KG, orientando o processo de busca. A CTable é normalizada para um núcleo monótono para facilitar a manipulação lógica.

3. Loop Chase & Backchase Assistido por LLM

O agente $a_2$ executa uma busca em duas fases para equilibrar completude do LLM (cobrir todas as respostas de referência) e correção do LLM (excluir respostas irrelevantes), usando uma estratégia de busca em feixe:

• Fase de Perseguição da Consulta (Relaxamento): Começando com uma "Consulta Universal" ($Q_U$) contendo todas as restrições, o sistema remove iterativamente uma restrição de cada vez se a consulta falhar em cobrir o conjunto de respostas de referência $A$ (fornecido por um oráculo LLM). Isso garante completude relativa.
• Fase de Retroperseguição da Consulta (Apertamento): Começando das subconsultas de $Q_U$, o sistema adiciona iterativamente restrições de volta para encontrar uma "Consulta Mínima" ($Q_M$) que satisfaça o conjunto de referência sem redundância, garantindo correção relativa e minimalidade.
• Renderização: O plano lógico final é renderizado na linguagem de consulta alvo (Cypher ou SPARQL) por meio de um renderizador plugável.

O framework depende de validação em tempo de execução contra um conjunto de respostas de referência $A$ em vez de treinamento offline, tornando-o adaptável a desvios de esquema e novos KGs com configuração mínima (por exemplo, atualização de listas de sinônimos).

Contribuições Principais

1. Pipeline Unificado Amigável à Implantação: O UniQGen unifica a extração de restrições, construção de CTable e refinamento Chase & Backchase em um único pipeline que gera consultas gramaticalmente corretas e semanticamente razoáveis para KGQA sem esquema, sem ajuste fino.
2. Reformulação Baseada em Restrições: Os autores adaptam o algoritmo Chase & Backchase para geração de consultas em grafos, utilizando agentes LLM para explorar restrições candidatas via busca em feixe, enquanto impõem garantias de completude e correção relativas.
3. Recursos e Avaliação: Os autores implantaram um grafo Freebase no Amazon Neptune suportando tanto Cypher quanto SPARQL. Eles lançaram um snapshot curado do Freebase, uma receita de implantação em um passo e pares dourados de Cypher alinhados com benchmarks SPARQL populares (GraphQ, GrailQA, WebQSP) para facilitar pesquisas reprodutíveis e multilíngues.

Resultados Experimentais

O framework foi avaliado em três benchmarks padrão: GraphQ, GrailQA e WebQSP.

• Desempenho: O UniQGen superou as linhas de base mais avançadas (incluindo Pangu e ArcaneQA) tanto em precisão quanto em eficiência.
  • No GraphQ, o UniQGen alcançou um ganho de F1 de 31,6% sobre a melhor linha de base.
  • No GrailQA, alcançou um ganho de F1 de 4,9%.
  • Demonstrou desempenho superior em configurações de baixo recurso (GraphQ) e consultas multi-hop, onde métodos baseados em treinamento frequentemente degradam.
• Capacidade Multilíngue: O framework gerou com sucesso consultas Cypher de alta qualidade, um domínio previamente pouco explorado em benchmarks de KGQA dominados por SPARQL.
• Eficiência: Diferentemente de sistemas baseados em treinamento que exigem dias de ajuste fino, o UniQGen tem custo de treinamento zero. Alcança uma latência média de geração de ~40 segundos por consulta, com planos mínimos executando em menos de 0,3 segundos (P50).
• Robustez: O sistema manteve desempenho estável sob restrições de estilo de produção (timeouts, solicitações concorrentes) e mostrou degradação graciosa em consultas multi-hop complexas em comparação com as linhas de base.

Significado e Alegações

O artigo afirma que o UniQGen aborda a lacuna crítica entre soluções acadêmicas de KGQA e necessidades industriais, oferecendo uma abordagem unificada e sem treinamento que mitiga a "trava de linguagem". Ao alavancar o algoritmo Chase & Backchase com agentes LLM, o framework fornece garantias relativas de correção e completude em relação a um conjunto de respostas de referência, sem exigir treinamento específico de esquema caro.

Os autores enfatizam que sua abordagem é particularmente adequada para KGQA de nível empresarial onde os esquemas são grandes, dinâmicos ou proprietários (sem esquema), e onde a capacidade de alternar entre linguagens de consulta (por exemplo, Cypher vs. SPARQL) sem retreinamento é essencial. O lançamento do snapshot do Freebase pronto para Neptune e dos benchmarks multilíngues destina-se a apoiar pesquisas futuras em KGQA unificada e reprodutível.