본 논문은 대규모 언어 모델(LLM)의 환각 및 지식 부족 문제를 해결하기 위해 지식 그래프 기반 검색 증강 생성(KG-RAG) 방법을 개선하는 연구이다. 기존 KG-RAG 방법들이 구조 정보 활용에 어려움을 겪는 문제를 해결하고자, 그래프 표현 학습의 스무딩 연산에서 영감을 얻어 경로 풀링(path pooling)이라는 새로운 전략을 제안한다. 경로 풀링은 기존 KG-RAG 방법에 간편하게 통합될 수 있으며, 구조 정보 활용을 풍부하게 해준다. 실험 결과, 최첨단 KG-RAG 방법에 경로 풀링을 통합하면 다양한 설정에서 성능이 향상되고 추가 비용은 미미함을 보여준다.
