RAG에서 그래프 기반 접근법과 기능성

대규모 언어 모델(LLM)은 불충분한 학습 데이터와 최신 지식 부족으로 인해 추론 과정에서 사실 오류와 환각 문제를 겪습니다. 검색 증강 생성(RAG)은 외부 소스에서 관련 정보를 검색하여 더 정확한 답변을 생성함으로써 이러한 LLM의 한계를 해결할 유망한 대안으로 부상했습니다. 특히 외부 소스에 구조화된 지식이 널리 존재함에 따라, 그래프 관련 기술을 활용하여 지식 개체 간의 위상 정보를 기반으로 복잡한 추론을 달성하려는 RAG 연구가 활발히 진행되고 있습니다. 기존 연구들이 RAG 파이프라인을 요약했지만, 그래프의 역할을 주로 지식 그래프 탐색에 국한하여 검색, 프롬프팅, 파이프라인 제어 등 그래프 구조가 미치는 광범위한 영향은 충분히 탐구되지 않았습니다. 본 연구는 RAG 내에서 그래프의 기능성과 다양한 그래프 구조 데이터 전반에 걸쳐 성능을 향상시키는 영향에 대한 새로운 관점을 제시합니다. 이 설문조사는 데이터베이스 구축, 알고리즘, 파이프라인 및 작업 등 RAG에서 그래프가 수행하는 역할을 상세히 분석합니다. 또한, 현재의 도전 과제를 식별하고 미래 연구 방향을 제시함으로써 이 분야의 발전을 촉진하고자 합니다. 그래프 중심 분석을 통해 기존 방법론의 공통점과 차이점을 조명하며, 그래프 학습, 데이터베이스 시스템, 자연어 처리와 같은 분야의 미래 연구를 위한 기반을 마련합니다.