本研究では、Wikidata上の知識グラフ質問応答（KGQA）を対象としたエンドツーエンド型システム「GETT-QA」を提案する。GETT-QAは、広く用いられているテキストからテキストへの事前学習言語モデルであるT5を活用している。このモデルは自然言語で記述された質問を入力とし、意図するSPARQLクエリの簡略化された形式を出力する。簡略化された形式では、エンティティおよび関係のIDを直接生成するのではなく、対応するエンティティおよび関係のラベルを生成する。これらのラベルは、後続の段階で知識グラフ（KG）内のエンティティおよび関係のIDにマッピングされる。さらに性能向上を図るため、モデルに各エンティティについて知識グラフ埋め込み（KG embedding）の断片（truncate）を出力するように指示している。この断片化されたKG埋め込みにより、エンティティの曖昧性解消に向けたより細かい検索が可能となる。我々は、損失関数を変更することなくT5が断片化されたKG埋め込みを学習可能であることを発見し、これによりKGQAの性能が向上することを確認した。その結果、Wikidata上でのエンドツーエンドKGQAにおいて、LC-QuAD 2.0およびSimpleQuestions-Wikidataデータセットで優れた性能を報告することができる。