KG-RAG: 지식그래프 기반 검색 증강 생성

일반적인 검색 증강 생성(RAG)은 임베딩 유사도만으로 평평한(flat) 텍스트 조각을 검색하기 때문에, LLM에 구조화된 관계 정보를 거의 제공하지 못합니다. 이는 사실적 정확도와, 여러 개체를 연결해야 답할 수 있는 멀티홉 추론 능력을 제한합니다.

전북대학교 Natural Language Learning Lab 학부연구생으로 활동하며(2025년 2월–2026년 2월, 지도교수: 송현제), 대규모 언어 모델의 사실적 정확도와 멀티홉 추론 능력을 높이기 위한 지식그래프 기반 RAG 아키텍처를 설계·구현했습니다.

• 구조화된 지식과 신경망 임베딩 공간을 통합하는 그래프 기반 검색 파이프라인을 개발했습니다 (PyTorch, LangChain)
• 도메인 특화 복합 질의응답을 위한 지식그래프 기반 멀티홉 추론 메커니즘을 구현했습니다
• 임베딩 통합 기법에 대한 체계적인 어블레이션 연구로 정확도와 연산 효율성 간의 트레이드오프를 평가했습니다

구현한 파이프라인은 지식그래프의 연결 관계를 검색 결과와 함께 제시해 멀티홉 질의를 분석할 수 있도록 설계했습니다. Natural Language Learning Lab에서 2025년 2월부터 2026년 2월까지 수행한 이 연구를 바탕으로 원고를 준비하고 있습니다.

2025년 2월부터 2026년 2월까지 송현제 교수님 지도 하에 학부연구생으로서 지식그래프 검색 파이프라인과 멀티홉 추론 메커니즘을 직접 설계·구현했습니다.