대규모 언어 모델(LLM)은 다양한 분야에서 잠재력을 보여줬지만, 외부 지식 통합 및 복잡한 추론에 어려움을 겪어 환각과 신뢰할 수 없는 출력을 생성하는 경향이 있습니다. Retrieval Augmented Generation(RAG)은 외부 지식을 통합하여 이러한 문제를 완화하는 유망한 패러다임으로 부상했습니다. 그러나 기존 RAG 방식, 특히 벡터 유사성을 기반으로 하는 방식은 관계 종속성을 효과적으로 포착하고 다단계 추론을 지원하는 데 실패합니다. 본 연구에서는 인간 인지에서 영감을 얻은, 지식 그래프 질의응답(KGQA)을 위한 그래프 기반 RAG 프레임워크인 CogGRAG를 제안합니다. CogGRAG는 추론 과정을 원래 문제를 상호 관련된 하위 문제로 분해하고 의미 관계를 명시적으로 인코딩하는 트리 구조의 마인드 맵으로 모델링합니다. 이 구조는 후속 검색 및 추론을 안내하는 전체적인 관점을 제공할 뿐만 아니라 추론 경로 전반에 걸쳐 자기 일관성 검증을 가능하게 합니다. 프레임워크는 세 단계로 작동합니다. (1) 마인드 맵 구성을 통한 하향식 문제 분해, (2) 외부 지식 그래프(KG)에서 로컬 및 글로벌 지식의 구조적 검색, (3) 이중 프로세스 자기 검증을 통한 상향식 추론. MindMap 또는 Graph-CoT와 같은 이전의 트리 기반 분해 방법과 달리, CogGRAG는 문제 분해, 지식 검색 및 추론을 단일 그래프 구조의 인지 프레임워크 내에서 통합하여 관계적 지식의 조기 통합과 적응형 검증을 가능하게 합니다. 광범위한 실험 결과 CogGRAG가 기존 방법보다 우수한 정확성과 신뢰성을 달성함을 보여줍니다.
