본 논문은 대규모 언어 모델(LLM)을 기반으로 한 새로운 지식 그래프 구성(KGC) 프레임워크인 LKD-KGC를 제안합니다. 기존의 schema-guided KGC나 참조 지식 통합 방식은 수동으로 정의된 스키마, 단일 문서 처리, 공개 도메인 참조에 의존하여 복잡한 지식 의존성과 특수성을 가진 도메인 특화 코퍼스에는 효과적이지 못합니다. LKD-KGC는 문서 저장소를 자율적으로 분석하여 지식 의존성을 추론하고, LLM 기반 우선순위 지정을 통해 최적의 처리 순서를 결정하며, 계층적 문서 간 컨텍스트를 통합하여 자기회귀적으로 엔티티 스키마를 생성합니다. 이 스키마는 미리 정의된 구조나 외부 지식에 의존하지 않고 엔티티와 관계를 비지도 학습 방식으로 추출하는 데 사용됩니다. 실험 결과, LKD-KGC는 최첨단 기준 모델과 비교하여 정밀도와 재현율 모두 10~20% 향상을 달성하여 고품질 도메인 특화 KG 구성의 잠재력을 보여줍니다.
