KROMA는 대규모 언어 모델(LLM)을 활용하여 온톨로지 매칭(OM) 작업의 의미적 맥락을 동적으로 풍부하게 하는 새로운 OM 프레임워크입니다. 기존 시스템의 제한적인 적응성 문제를 해결하기 위해, 검색 증강 생성(RAG) 파이프라인 내에서 LLM을 활용하여 구조적, 어휘적, 정의적 지식을 활용합니다. 성능과 효율성을 동시에 최적화하기 위해, 유사성 기반 개념 매칭 및 경량 온톨로지 개선 단계를 통합하여 후보 개념을 제거하고 LLM 호출로 인한 통신 오버헤드를 크게 줄입니다. 여러 벤치마크 데이터셋에 대한 실험을 통해, 맥락이 풍부한 LLM과 지식 검색을 통합하면 기존 OM 시스템 및 최첨단 LLM 기반 접근 방식을 능가하는 성능을 달성하면서도 통신 오버헤드는 비슷하게 유지할 수 있음을 보여줍니다. 본 연구는 규모가 큰 온톨로지 매칭을 위한 제안된 최적화 기법(목표 지식 검색, 프롬프트 풍부화 및 온톨로지 개선)의 실현 가능성과 이점을 강조합니다.
