지식 그래프 기반 질문 답변 (KGQA) 은 복잡한 추론 작업에서 핵심적인 역할을 수행하지만, 두 가지 지속적인 과제로 인해 제한받고 있습니다. 첫째, 지식 그래프(KG) 의 구조적 이질성은 검색 과정에서 의미 불일치를 초래하며, 둘째, 기존 추론 경로 검색 방법은 전역적인 구조적 관점을 결여하고 있습니다. 이러한 문제를 해결하기 위해 우리는 다중 홉 추론을 스키마 가이드드 그래프 검색 작업으로 재정의하는 새로운 프레임워크인 Structure-Tracing Evidence Mining (STEM) 을 제안합니다. 먼저, KG 의 구조적 사전 지식을 활용하여 쿼리를 원자적 관계 명제로 분해하고 적응형 쿼리 스키마 그래프를 구축하는 Semantic-to-Structural Projection 파이프라인을 설계했습니다. 이어 전역적으로 인식되는 노드 앵커링과 서브그래프 검색을 수행하여 KG 에서 최종 증거 추론 그래프를 획득합니다. 그래프 구축 과정에서 전역 구조 정보를 보다 효과적으로 통합하기 위해 Triple-Dependent GNN (Triple-GNN) 을 설계하여, 이 구축 과정을 안내하는 Global Guidance Subgraph (Guidance Graph) 를 생성합니다. STEM 은 다중 홉 추론 그래프 검색의 정확도와 증거 완전성을 크게 향상시키며, 여러 다중 홉 벤치마크에서 State-of-the-Art 성능을 달성했습니다.