본 논문은 대규모 언어 모델(LLM)의 지식 통합 및 복잡한 문제 추론 능력의 한계를 극복하기 위해, 인지 과정에서 영감을 얻은 그래프 기반 검색 증강 생성(RAG) 프레임워크인 CogGRAG를 제안합니다. CogGRAG는 복잡한 문제를 분해하고 자기 검증을 수행하는 인간의 인지 과정을 모방하여, 문제 분해, 정보 검색, 자기 검증을 포함하는 3단계 방식을 사용합니다. 이를 통해 지식 그래프 질의응답(KGQA)에서 LLM의 정확도를 향상시키고, 네 가지 벤치마크 데이터셋에서 세 가지 LLM 백본을 사용한 실험 결과 기존 방식보다 성능이 우수함을 보여줍니다.
