본 논문은 방대한 학술 논문들 속에서 핵심 정보를 효율적으로 얻는 데 어려움을 겪는 연구자들을 위한 해결책으로, Retrieval Augmented Generation (RAG) 기반의 자동 질의응답 시스템인 NeuSym-RAG를 제안한다. 기존 RAG 연구들이 신경망 기반 검색과 기호 기반 검색을 개별적으로 활용하는 한계를 극복하고자, 두 방식을 상호작용적으로 결합하는 하이브리드 접근 방식을 채택했다. 다중 관점 청크화(multi-view chunking)와 스키마 기반 파싱(schema-based parsing)을 통해 PDF의 구조적 정보(섹션, 표 등)를 활용하여 반정형 PDF 콘텐츠를 관계형 데이터베이스와 벡터 저장소에 동시에 저장하고, LLM 에이전트가 필요한 정보를 반복적으로 수집하여 답변을 생성한다. AIRQA-REAL을 포함한 세 개의 전문 PDF 기반 질의응답 데이터셋에 대한 실험 결과, NeuSym-RAG는 벡터 기반 RAG 및 다양한 구조적 기준 모델들을 안정적으로 능가하는 성능을 보였다. 코드와 데이터는 공개적으로 제공된다.
