본 논문은 대규모 언어 모델(LLM)이 훈련 데이터셋에 잘 나타나지 않는 전문적이거나 새로운 주제를 다루는 데 어려움을 겪는다는 점을 지적하며, 이를 해결하기 위해 그래프 기반 검색 증강 생성(GraphRAG)을 개선한 ROGRAG 프레임워크를 제시합니다. ROGRAG는 다단계 검색 메커니즘(이중 레벨 및 논리 형식 검색 방식 통합)과 결과 검증 방법, 증분 데이터베이스 구축 방식을 도입하여 검색의 강건성을 높이고, 계산 비용 증가 없이 성능을 향상시킵니다. SeedBench 및 도메인 특정 데이터셋을 사용한 실험 결과, ROGRAG는 기존 GraphRAG 및 다른 주요 방법들보다 우수한 성능을 보였으며, 특히 이중 레벨 검색은 퍼지 매칭을, 논리 형식 검색은 구조적 추론을 향상시키는 것으로 나타났습니다. ROGRAG는 오픈소스로 공개되어 pip를 통해 설치 가능합니다.
