다양한 응용 분야의 지식은 RDF 엔진에 저장된 지식 그래프(KG) 형태로 조직되며, SPARQL 엔드포인트를 통해 웹에서 접근 가능하다. 잘 구성된 SPARQL 쿼리를 작성하기 위해서는 그래프 구조와 구성 요소의 정확한 URI에 대한 정보가 필요하지만, 이는 일반 사용자에게는 현실적으로 불가능하다. 질문 응답(QA) 시스템은 자연어 질문을 SPARQL 쿼리로 변환함으로써 이를 보조한다. 기존의 QA 시스템은 일반적으로 특정 응용 분야에 맞춰 인간이 수작업으로 작성한 규칙에 기반하거나, 각 대상 지식 그래프에 대해 사전 정보, 고비용의 사전 처리 및 모델 적응이 필요하다. 따라서 이러한 시스템은 광범위한 응용 분야와 지식 그래프에 일반화하기 어렵다.본 논문에서는 각 대상 지식 그래프에 맞춰 맞춤화할 필요가 없는 보편적인 QA 시스템인 KGQAn을 제안한다. 기존의 수작업 규칙 대신, KGQAn은 신경망 시퀀스-투-시퀀스 모델을 활용하여 질문을 중간 추상 표현으로 변환하는 텍스트 생성 문제로서 질문 이해를 새로운 방식으로 정의한다. 또한, 사전 처리 없이 공개 API와 RDF 저장소의 기존 인덱스만을 사용하여 쿼리 실행 시점에 추상 표현을 특정 지식 그래프에 맞는 SPARQL 쿼리로 매핑하는 ‘즉시 연결(Just-in-Time Linker)’을 개발하였다. 여러 실제 지식 그래프에 대한 실험 결과, KGQAn은 쉽게 배포 가능하며, 응답 품질과 처리 시간 측면에서 최신 기술 대비 크게 우수한 성능을 보였으며, 특히 학습 과정에서 접한 적 없는 임의의 지식 그래프에 대해서도 뛰어난 성능을 발휘하였다.