| id | 112 |
|---|---|
| category | RAG & Knowledge |
| title | GraphRAG Survey (ACM TOIS) |
"GraphRAG가 맥락과 인과관계를 이해한다는 건 알겠는데, 정확히 어떻게?" ACM TOIS에 발표된 서베이 논문으로 GraphRAG의 A to Z를 정리합니다.
기존 RAG는 문서를 조각(Chunk)내어 저장하므로, 문서 간의 **'관계(Relation)'**와 **'전체 맥락(Global Context)'**을 놓칩니다. GraphRAG는 데이터를 지식 그래프로 연결하여, AI가 맥락과 인과 관계를 이해하게 만듭니다.
- G-Indexing (지도 그리기): 텍스트에서 개체(Entity)와 관계(Relation)를 추출해 지식 그래프를 구축합니다.
- G-Retrieval (길 찾기): 키워드 매칭이 아니라, 그래프 위에서 경로를 탐색하여 연결된 하위 그래프(Subgraph)를 가져옵니다.
- G-Generation (통역하기): 그래프 구조를 자연어나 코드로 변환하여 LLM에 입력합니다.
- Pros: Multi-hop 추론 능력 상승, 전체 요약 가능, 환각 감소.
- Cons: 구축 비용이 비싸고, 데이터가 커지면 탐색 속도가 느려지며(Scalability), 실시간 업데이트(Dynamic Graphs)가 어렵습니다.
- 구축 자동화: LLM을 이용해 그래프를 스스로 구축(Self-Constructed).
- 단순화: 복잡한 KG 대신 문서 그래프나 트리 구조 활용.
- 그래프 파운데이션 모델: 그래프 자체를 학습한 거대 모델 등장.
이 논문은 GraphRAG의 구현 난이도와 한계를 명확히 짚어주며, 이를 극복할 로드맵을 제시합니다.