본 논문은 대규모 언어 모델(LLM)의 질의응답(QA) 성능 향상을 위해 기존의 그래프 기반 검색 증강 생성(RAG) 방식의 한계점을 극복하는 새로운 방법인 Clue-RAG를 제안합니다. Clue-RAG는 다중 분할 그래프 색인과 쿼리 기반 반복 검색 전략을 통해, 불완전한 정보 추출 및 쿼리 정보 활용 부족 문제를 해결합니다. 다중 분할 그래프 색인은 청크, 지식 단위, 개체를 통합하여 다양한 수준의 의미 내용을 포착하고, 하이브리드 추출 전략을 통해 LLM 토큰 사용량을 줄이면서 정확하고 모호하지 않은 지식 단위를 생성합니다. 쿼리 기반 반복 검색 전략인 Q-Iter는 의미 기반 검색과 제약된 그래프 탐색을 통해 관련성을 높입니다. 세 가지 QA 벤치마크 실험 결과, Clue-RAG는 최첨단 기준 모델보다 정확도와 F1 점수가 최대 99.33% 및 113.51% 향상되었고, 색인 비용은 72.58% 감소했습니다. 특히, 색인 과정에 LLM을 사용하지 않더라도 기준 모델과 동등하거나 우수한 성능을 보였습니다.
