1 本研究の学術的背景と研究課題の核心となる問いは、知識グラフ補完（Knowledge Graph Completion: KGC）というタスクです。知識グラフ補完とは、知識グラフ内の情報に基づいて欠落している三つ組（関連性を持っている事実や関係性）を埋める作業のことです。現在の研究では、三つ組のテキスト情報（テキストの記述）を利用してこのタスクを実行しています。しかし、この手法では三つ組の記述が正確かつ適切に意図された意味を表現できない場合など、限界が出てきます。

2 この研究の目的は、テキストベースの知識グラフ補完の手法に対する限界を克服するための新たな手法の提案です。具体的には、「矛盾した説明（Mismatched Description）」と「擬似的な反転関連性（Pseudo-inverse）」という２つの主要な課題に対応するため、データの拡張を進めることで高度な知識グラフ補完のための新手法「KERMIT」を開発しました。これらの努力により、知識グラフ補完における効果的な改善が見られ、より正確な結果を導くことが可能となりました。これは学術的な独自性と創造性を持つと言えます。

3 大規模な言語モデル（LLMs）を利用して外部の知識源として活用し、クエリとの意味的な一貫性を保つ記述を自動生成します。この考えは、LLMsが多量の人間が生成したコーパス（テキストデータの集合）に基づいて訓練されていることから得られました。また、既存の手法で用いられているデータ拡張戦略が単純なため、手動で逆関連を作成することでこれに対応しました。これにより、知識グラフ補完のキャパシティを拡大し、より包括的な知識推論を可能にしました。

4 KERMITという新たな手法を開発し、対象となるクエリと回答間の意味的なギャップを埋める記述を生成し、最終的にはより正確な知識グラフ補完を生み出すことに成功しました。具体的には、LLMsをエクスターナル・ナレッジ・ソースとして活用し、また手動で逆関連を作成することにより知識グラフを対称的なものにするという手法を提案しました。

5 実験を行うことで本研究の有効性を確認しました。WN18RRデータセット（Toutanova et al., 2015）で最先端の性能を達成し、さらにFB15k-237データセット（Dettmers et al., 2018）でも他のテキストベースの手法に対して明確な優位性を保持しました。これにより、本手法の有効性が実証されました。