기존의 지식베이스 질의응답(KBQA) 방법들은 일반적으로 엔티티 링킹, 서브그래프 검색 및 쿼리 구조 생성 등의 여러 단계를 포함하는 다단계 방법론에 의존해 왔습니다. 그러나 다단계 접근 방식은 이전 단계의 정확도에 크게 의존하여, 오류가 연쇄적으로 발생하고 추론 시간이 증가하는 문제를 초래합니다. 일부 연구에서는 엔드투엔드 모델의 사용을 탐구했지만, 이러한 모델들은 종종 정확도가 낮고 기저 데이터에서 지원되지 않는 비활성 쿼리를 생성하는 경향이 있습니다. 또한 대부분의 이전 접근 방식은 정적 훈련 데이터에 한정되어 있어, 시간이 지남에 따라 변화하는 지식베이스의 특성을 간과할 가능성이 있습니다.이러한 도전 과제들을 해결하기 위해, 우리는 새로운 엔드투엔드 자연어에서 SPARQL로 변환하는 프레임워크인 SPARKLE을 제시합니다. 특히 SPARKLE은 디코딩 과정에서 직접 지식베이스의 구조를 활용하여, 지식을 쿼리 생성에 효과적으로 통합합니다. 우리의 연구 결과는 추론 과정에서 단순히 지식베이스를 참조함으로써 비실행 가능한 쿼리 생성의 빈도가大幅减少的事实。SPARKLE在SimpleQuestions-Wiki上取得了新的最先进成果，并在LCQuAD 1.0数据集上获得了最高的F1分数（在不使用黄金实体的模型中），而在WebQSP数据集上的结果略低。最后，我们展示了SPARKLE的快速推理速度及其在训练和推理阶段之间知识库发生变化时的适应能力。注：最后一段中的“大幅减少”被误翻译为中文，正确的韩文翻译如下：우리의 연구 결과는 추론 과정에서 단순히 지식베이스를 참조함으로써 비실행 가능한 쿼리 생성의 빈도가 크게 줄어든다는 사실을 밝혔습니다. SPARKLE은 SimpleQuestions-Wiki에서 새로운 최신 성능을 달성했으며, LCQuAD 1.0 데이터셋(금속체 엔티티를 사용하지 않는 모델 중)에서 가장 높은 F1 점수를 기록했습니다. WebQSP 데이터셋에서는 약간 낮은 결과를 보였습니다. 마지막으로, SPARKLE의 빠른 추론 속도와 훈련 및 추론 단계 사이에서 지식베이스가 변경될 때 적응 능력을 시연하였습니다.