LLM의 환각(Hallucination)을 개선하고 최신 정보를 반영(Recency)하기 위한 대안으로서 RAG 시스템이 큰 주목을 받고 있습니다. 여기서 더 나아가, 텍스트 형태가 아닌 그래프 형태로 정보를 가공하여 LLM 답변에 활용하는 GraphRAG 분야를 특히 주목할 필요가 있어보입니다.

RAG는 보통 Retriever를 활용하여 LLM에게 텍스트 형태로 질문과 관련된 문서(Document)를 질문과 함께 주입(Infuse)해주는 형태로 구성되는데요, 이 때 이 문서를 텍스트 형태가 아닌 그래프 형태로 주입하면 입력 길이를 절약하고 정보를 효과적으로 얻을 수 있는 장점이 있습니다. 그래프를 구성하는 방법을 다양하지만, 기본적으로는 [그림 1]과 같이 Entity, Relation, Attribute로 구성된 Triplet 구조를 사용하는 것이 일반적입니다. GraphRAG 관련 연구들이 다양하게 이루어지고 있다보니, 이를 정리한 Survey Paper가 최근 아카이빙 되어 소개드립니다. 관심 있으신 분들은 아래 논문을 자세히 살펴보시면 도움이 되실 것 같습니다.

Graph Retrieval-Augmented Generation: A Survey

• ArXiv

• https://arxiv.org/pdf/2408.08921v1