본 논문은 대규모 언어 모델(LLM)의 환각 문제를 해결하기 위해 지식 그래프(KG)를 활용한 검색 증강 생성(RAG) 방법인 SimGRAG를 제안한다. SimGRAG는 질의를 그래프 패턴으로 변환하는 '질의-패턴' 단계와, 패턴과 후보 서브그래프 간의 정렬을 그래프 의미 거리(GSD)를 사용하여 정량화하는 '패턴-서브그래프' 단계의 두 단계 과정을 통해 질의 텍스트와 KG 구조의 정렬 문제를 효과적으로 해결한다. 또한, 1천만 규모의 KG에서 1초 이내에 상위 k개의 서브그래프를 효율적으로 식별하는 최적화된 검색 알고리즘을 개발하였다. 실험 결과, SimGRAG는 질의응답과 사실 확인 모두에서 최첨단 KG 기반 RAG 방법들을 능가하는 성능을 보였다.
