본 연구는 Retrieval-Augmented Generation (RAG) 시스템에서 지식 표현 방식이 성능에 미치는 영향을 탐구합니다. 특히, 다양한 지식 그래프 (KG) 구축 전략, 즉, 표준 벡터 기반 RAG, GraphRAG, 그리고 관계형 데이터베이스 또는 텍스트 코퍼스에서 파생된 온톨로지를 기반으로 구축된 KG에 대한 검색을 비교합니다. 연구 결과에 따르면, 청크 정보를 통합한 온톨로지 기반 KG가 최첨단 프레임워크와 경쟁력 있는 성능을 보이며, 벡터 검색 기준선을 크게 능가합니다. 또한, 관계형 데이터베이스에서 구축된 온톨로지 기반 KG가 텍스트에서 추출된 온톨로지 기반 KG와 동등한 성능을 보이며, 한 번의 온톨로지 학습 프로세스로 LLM 사용 비용을 절감하고 텍스트 기반 접근 방식의 복잡성을 피할 수 있다는 장점이 있습니다.
