본 논문은 대규모 언어 모델(LLM)의 환각 및 지식 부족 문제를 해결하기 위해 지식 그래프 기반 검색 증강 생성(KG-RAG) 방법을 개선하는 연구를 제시합니다. 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 제안합니다. 경로 풀링은 훈련이 필요 없는 간단한 방법으로, 경로 중심 풀링 연산을 통해 구조 정보를 도입하여 기존 KG-RAG 방법에 플러그 앤 플레이 방식으로 통합될 수 있습니다. 실험 결과, 최첨단 KG-RAG 방법에 경로 풀링을 통합하면 다양한 설정에서 성능이 향상되고 추가 비용은 미미함을 보여줍니다.
