説明可能なマルチホップ質問応答と推論のための構造化情報の活用

ニューラルモデル、特に大規模言語モデル（LLM）は、マルチホップ質問応答で優れた性能を達成しています。LLMから推論能力を引き出すために、最近の研究では、推論チェーンと回答の両方を生成するために思考の連鎖（CoT）メカニズムを使用することを提案しており、モデルのマルチホップ推論を実施する機能を強化します。しかし、依然としていくつかの課題が残っています：不正確な推論、幻覚、解釈可能性の欠如などです。一方で、情報抽出（IE）は、テキストに基づいたエンティティ、関係、イベントを特定します。抽出された構造化情報は、人間と機械によって容易に解釈されます（Grishman, 2019）。本研究では、マルチホップ質問応答、特に推論プロセスのために抽出された意味構造（グラフ）を構築・活用することを調査します。実証結果と人間の評価は、私たちのフレームワークが、より誠実な推論チェーンを生成し、2つのベンチマークデータセットでのQA性能を大幅に向上させることを示しています。さらに、抽出された構造自体が、生成された推論チェーンや重要度に基づく説明と比較して、人間が好む基づいた説明を自然に提供します。