対話型質問応答（ConvQA）では、ユーザーが文脈が不完全な一連の発話を通じて情報ニーズを表現する。従来のConvQA手法は、知識ベース（KB）、テキストコーパス、またはテーブルのいずれか一つの情報源に依存しているため、複数の情報源が提供する回答カバレッジの拡大や冗長性の恩恵を受けることができない。本研究で提案するEXPLAIGNNは、ユーザーが理解可能な説明を伴った複数の情報源からの情報を統合することで、こうした制約を克服する。この手法は、知識ベース、テキストコーパス、ウェブテーブル、インフォボックスから取得したエンティティと証拠スニペットを用いて、異種グラフ（heterogeneous graph）を構築する。この大規模なグラフは、質問レベルの注目機構（attention）を組み込んだグラフニューラルネットワークを用いて反復的に簡略化され、最終的に最適な回答とその説明が抽出される。実験の結果、EXPLAIGNNは最先端のベースライン手法に対して性能向上を示した。さらに、ユーザー調査により、得られた回答が最終ユーザーにとって理解可能であることが確認された。