본 논문은 지식 그래프(KG)를 검색 증강 생성(RAG) 프레임워크에 통합하는 KG-RAG 방법론의 성능을 다양한 응용 시나리오와 기술적 구성에서 체계적으로 분석하여, KG-RAG를 언제 어떻게 사용해야 하는지에 대한 기반을 마련하고자 한다. KG-RAG 프레임워크의 개념도를 제시하고 일반적인 파이프라인을 요약한 후, 7개의 데이터셋과 17개의 대규모 언어 모델(LLM)을 사용하여 6가지 KG-RAG 방법론을 재구현하고 평가하는 실험 연구를 수행한다. 9가지 KG-RAG 구성의 영향을 분석하여 적절한 응용 조건과 최적의 구성의 중요성을 강조한다.
시사점, 한계점
•
시사점:
◦
다양한 응용 시나리오와 기술적 구성에서 KG-RAG 방법론의 성능을 체계적으로 분석함으로써, KG-RAG의 효과적인 활용 방안을 제시한다.
◦
KG-RAG 구성 요소의 최적화를 통해 성능 향상을 도모할 수 있는 방향을 제시한다.
◦
KG-RAG의 적용 조건에 대한 이해를 높여, 보다 효과적인 모델 개발 및 활용을 가능하게 한다.
•
한계점:
◦
본 연구는 제한된 수의 KG-RAG 방법론과 데이터셋, LLM을 사용하여 실험을 수행하였으므로, 일반화 가능성에 한계가 있을 수 있다.
