GraphRAG-Causal은 뉴스 분석에서 인과 추론을 향상시키기 위해 그래프 기반 검색과 대규모 언어 모델을 결합한 혁신적인 프레임워크입니다. 기존의 NLP 접근 방식은 특히 데이터가 부족한 시나리오에서 복잡하고 암시적인 인과 관계를 식별하는 데 어려움을 겪습니다. 본 연구는 주석이 달린 뉴스 헤드라인을 구조화된 인과 지식 그래프로 변환하여 이러한 문제를 해결합니다. 그런 다음 Neo4j를 활용하여 의미적 임베딩과 그래프 기반 구조적 단서를 결합하는 하이브리드 검색 시스템을 사용하여 관련 이벤트를 정확하게 일치시키고 검색합니다. 이 프레임워크는 세 단계 파이프라인으로 구성됩니다. 첫째, 데이터 준비 단계에서 뉴스 문장에 주석을 달고 원인, 결과 및 트리거 관계를 포착하는 인과 그래프로 변환합니다. 다음으로, 그래프 검색 단계에서는 이러한 그래프와 해당 임베딩을 Neo4j 데이터베이스에 저장하고 하이브리드 Cypher 쿼리를 사용하여 주어진 쿼리와 의미적 및 구조적 유사성을 모두 공유하는 이벤트를 효율적으로 식별합니다. 마지막으로, LLM 추론 단계에서는 XML 기반 프롬프팅을 사용한 몇 가지 예제 학습 설정에서 이러한 검색된 인과 그래프를 활용하여 인과 관계의 강력한 분류 및 태깅을 가능하게 합니다. 실험 평가는 GraphRAG-Causal이 단 20개의 몇 가지 예제를 사용하여 인과 분류에서 82.1%의 인상적인 F1 점수를 달성함을 보여줍니다. 이 접근 방식은 정확도와 일관성을 크게 높여 뉴스 신뢰성 평가, 허위 정보 탐지 및 정책 분석의 실시간 응용 프로그램에 매우 적합합니다.
