知識グラフ推論（Knowledge Graph Reasoning, KGR）とは、知識グラフ上で論理的推論を実行することで新たな知識を導出するタスクである。近年、大規模言語モデル（Large Language Models, LLM）は複雑な推論タスクにおいて顕著な性能を示している。しかし、有望な成果を収めつつも、現在のLLMを活用したKGR手法には二つの重要な課題が存在する。第一に、既存の手法は推論経路を無差別に抽出する傾向にあり、各経路の重要性を評価しないことから、不適切なノイズが導入され、LLMの推論を誤導する可能性がある。第二に、多くの手法がLLMを用いて潜在的な推論経路を動的に探索するが、これには高い検索要求と頻繁なLLM呼び出しを伴う。これらの課題に対処するため、本研究では、重要な推論経路を効果的に選択的に提示することで、信頼性と解釈可能性の高い推論を実現する新しいフレームワーク「PathMind」を提案する。具体的には、PathMindは「検索－優先順位付与－推論」というパラダイムに従う。まず、検索モジュールを用いてクエリサブグラフを知識グラフ（KG）から取得する。次に、意味的知見を反映した経路優先度関数を用いて、到達目標までの累積コストと予測される将来コストを同時に考慮し、重要な推論経路を識別する経路優先順位付け機構を導入する。最後に、タスク固有のインストラクションチューニングと経路単位の好み整合を含む二段階訓練戦略により、正確かつ論理的に整合性のある回答を生成する。標準ベンチマークデータセットにおける広範な実験の結果、PathMindは競合するベースラインを一貫して上回り、特に入力トークン数が少ない複雑な推論タスクにおいて、本質的な推論経路を効果的に特定することで優れた性能を発揮することが示された。