지식 그래프 인터페이스로서의 자연어 질문: QRAKEN 그래프 증류 및 의미적 자가 치유

RDF 지식 그래프에 대한 자연어 접근은 핵심적인 Semantic Web 목표입니다. 대규모 언어 모델(LLMs)은 Text-to-SPARQL을 발전시켰지만, 생소한 그래프에서는 종종 채워진 데이터 모델을 잘못 표현하는 유효한 쿼리를 생성합니다. QRAKEN은 스키마 기대치보다는 경험적 그래프 증거에 기반하여 생성을 접지시키는, 학습이 필요 없고 온톨로지(ontology)에 구애받지 않는 신경기호주의적(neurosymbolic) 파이프라인입니다. 오프라인 디실러(distiller)는 채워진 다중 홉 패턴(multi-hop patterns), 조건부 빈도(conditional frequencies), 경로 조건부 리터럴 예시(path-conditioned literal examples)의 간결한 설명인 TTQL을 생성하며, 클래스-속성 동시 발생 행렬(class-property co-occurrence matrix)도 함께 제공합니다. 온라인에서는 TTQL이 LLM을 안내하고, 결정론적 구문(deterministic syntax), 어휘(vocabulary), 데이터 모델 검사(data-model checks)가 반복적인 개선을 위한 진단 기능을 제공합니다. CK25 (첫 번째 국제 Text2SPARQL 챌린지)에서 QLever 스냅샷에 대한 일치 조건 재계산(matched-condition recomputation) 하에, QRAKEN은 GPT-4.1 mini를 사용하여 0.643 $ ext{F1} ext{ (엄격)} ext{ } ext{ extpm} ext{ } 0.026$을 달성했으며, GPT-5.4를 사용했을 때는 0.652 $ ext{F1} ext{ (엄격)} ext{ } ext{ extpm} ext{ } 0.012$를 달성했습니다. 이는 가장 강력한 재계산 참가자 대비 각각 30%와 32%의 상대적 향상률이며, 동일한 기본 모델 계열을 사용하는 시스템보다 우수합니다. 제거 실험(Ablations)은 TTQL 패턴이 지배적인 동인임을 밝혀냈습니다 (스키마만 사용한 기준선 대비 +0.31 엄격 $ ext{F1}$). 개선 루프는 공기 발생 행렬에 의해 지원되지 않는 트리플 패턴을 거부함으로써 저렴한 안전망 역할을 제공합니다. 자동 파생된 SHACL과 비교했을 때, TTQL은 64% 높은 엄격 $ ext{F1}$을 산출하여 스키마 노출 범위를 넘어선 경험적 패턴의 가치를 뒷받침합니다. 제로 한계 비용(zero marginal cost)으로 두 개의 로컬 35B 4-bit 오픈 웨이트 모델을 사용했을 때도, 동일한 파이프라인은 가장 강력한 재계산 참가자와 동등하며, TTQL은 스키마만 사용하거나 SHACL 기준선 대비 우위를 유지합니다. 단일의 비교적 작은 벤치마크에서의 결과는 초기 경험적 신호를 제공하지만, 매우 개방적인 교차 도메인 그래프에 대한 모놀리식(monolithic) TTQL 주입은 여전히 주요한 한계로 남아 있습니다.