SAGA: 스키마 기반 지식 그래프 연계 및 에이전트 기반 텍스트-SPARQL 생성

SAGA: Schema-Aware Grounding for Agentic Text-to-SPARQL Generation

지식 베이스 질의 응답(KBQA)은 일반적으로 질문과 관련된 부분 그래프에 대한 정보 검색 또는 실행 가능한 논리 형태로의 의미 분석을 통해 이루어집니다. 본 연구에서는 후자의 패러다임을 다룹니다. 최근의 대규모 언어 모델 기반 에이전트는 의미 분석 과정을 상호 작용적으로 수행합니다. 즉, 추론, 지식 베이스 질의, 부분적인 SPARQL 쿼리 확장을 반복합니다. 이러한 상호 작용은 일회성 생성에 대한 의존성을 줄이지만, extit{지식 그래프 연계(KB grounding)}의 품질을 결정하는 요소는 상호 작용 도구가 제공하는 정보에 달려 있습니다. 기존 에이전트는 주로 어휘적 관련성과 개체 수준의 정보를 기반으로 후보 속성을 검색하거나 제거합니다. 하지만 엔터티 유형, 속성 도메인 및 범위, 또는 예상되는 답변 유형에 대한 체계적인 조건을 고려하지 않습니다. 우리는 이러한 현상을 extit{유형 정보 결여 연계(type-blind grounding)}라고 부릅니다. 이는 연계 탐색 공간을 확장시키고, 종종 의미적으로 호환되지 않는 트리플 패턴을 생성하여 빈 결과로 이어지는 경우가 많습니다. 본 연구에서는 SAGA (εκιμίχτένολωβήζε γίθνακτολογ: Schema-ΒηΦεςνέκτοαλι Θάεσνομβέν)를 제안합니다. SAGA는 학습이 필요 없는 프레임워크로, 속성 탐색을 스키마 기반 연계 작업으로 변환합니다. SAGA는 지속적인 양방향 유형 정보를 유지하고, 생성 시점에 알려진 호환되지 않는 속성을 필터링하며, 남은 그래프 패턴을 간결한 스키마 주석 형식으로 제시하고, 경험적 증거와 추적 정보가 부족한 경우에도 허용적으로 처리합니다. Wikidata 및 Freebase의 9가지 표준 데이터셋에서 SAGA는 모든 설정에서 가장 높은 F1 점수를 달성했으며, 8개 설정에서는 정확도(exact-match)가 가장 높았습니다. 또한, 보고된 모든 Wikidata 설정에서 빈 결과 쿼리의 비율을 줄였습니다.

Complex knowledge base question answering (KBQA) is commonly approached through either information retrieval over a question-specific subgraph or semantic parsing into an executable logical form. We study the latter paradigm. Recent large language model agents make semantic parsing interactive: they alternate between reasoning, querying the knowledge base, and extending a partial SPARQL query. This interleaving reduces reliance on one-shot generation, but makes the quality of \emph{KB grounding} depend on what the interaction tools expose. Existing agents retrieve or prune candidate properties mainly through lexical relevance and instance-level observations, without systematically conditioning on entity types, property domains and ranges, or the expected answer type. We call this failure mode \emph{type-blind grounding}. It enlarges the grounding search space and often produces plausible-looking but semantically incompatible triple patterns that execute to empty results. We propose SAGA (\underline{S}chema-\underline{A}ware \underline{G}rounding for \underline{A}gentic Text-to-SPARQL Generation), a training-free framework that turns property exploration into a schema-constrained grounding operation. SAGA maintains a persistent bidirectional type state, filters known-incompatible property candidates at construction time, presents the remaining graph patterns in a compact schema-annotated format, and handles missing schema information permissively through empirical and trace-local evidence. Across nine benchmark settings over Wikidata and Freebase, SAGA achieves the highest F1 on all nine settings and the highest exact-match accuracy on eight, while reducing empty-result queries across all reported Wikidata settings.