知識グラフを用いた大規模言語モデル質問応答の精度改善

抄録

近年，GPT-5やLlamaに代表される大規模言語モデル（LLM）は多様な自然言語処理タスクにおいて顕著な性能を示している．しかし，LLMは事実と異なる内容を生成する「ハルシネーション」の問題を抱えており，外部知識の効果的な活用が求められている．従来のRetrieval-Augmented Generation（RAG）では，質問から検索された知識を一括してプロンプトに投入する方式が主流であるが，冗長情報やノイズの混入により推論効率や精度が低下する課題があった．本研究では，これまで知識の必要性と多様性に基づき逐次的に選別・更新する二つの手法を提案した．実験の結果，提案手法は従来手法に比べて正解率の向上を示し，特にCommonsenseQAにおいては大きな改善が確認された．これらの結果から，逐次的知識評価および動的ランキングの導入は，LLMを用いた質問応答において有効である可能性が示された．