知識ベース質問応答（KBQA）は、大規模な知識ベース（KBs）から自然言語の質問に回答することを目指しており、これを2つの重要なステップに要約できます：知識検索と意味解析。しかし、3つの主要な課題が残っています：効率的な知識検索の困難さ、検索の誤りが意味解析に悪影響を及ぼす問題、そして従来のKBQA手法の複雑さです。これらの課題に対処するため、私たちはChatKBQAという新しいかつ単純な生成後に検索するKBQAフレームワークを提案します。このフレームワークでは、まず微調整された大規模言語モデル（LLMs）を使用して論理形式を生成し、次に非監督的な検索方法でエンティティやリレーションを検索・置換することで、生成と検索の両方をより直接的に改善します。実験結果は、ChatKBQAが標準的なKBQAデータセットであるWebQSPおよびCWQにおいて新たな最先端の性能を達成していることを示しています。本研究はまた、解釈可能性と知識が必要な質問応答のために大規模言語モデル（LLMs）と知識グラフ（KGs）を組み合わせる新しいパラダイムとして捉えることができます。私たちのコードは公開されています。