Hybrid RAG: 벡터 유사도 기반 탐색을 통해 증강된 그래프 검색-증강-생성

국문 초록 (Abstract)

최근 자연어 처리 분야에서 거대 언어 모델(Large Language Models, LLMs)의 외부 정보를 필요로 하는 작업에서의 한계를 극복하기 위해 검색-증강-생성(Retrieval-Augmented Generation, RAG) 기법의 중요성이 커지고 있다. 기존 방식인 Vector RAG 는 문맥적 유사성 검색에 강점이 있지만 글로벌 질문이나 다단계 추론에 한계가 있다. 이를 극복하기 위해 개체 간의 관계 추론에 강점을 보이는 Graph RAG 가 제안되어왔으나, 검색을 위해 사용자의 요청으로부터 오류 없이 정확한 쿼리를 작성하는데 어려움이 있다. 본 연구에서는 이 두 접근법의 상호보완을 위해 벡터 기반의 유사도를 그래프 데이터베이스 검색 프로세스에 적용한 Hybrid RAG 모델을 제안한다. Hybrid RAG 는 ARAGOG 벤치마크 데이터셋에서 기존의 RAG 접근법 대비 전반적으로 우수한 성능을 보였으며, 특히 답변의 관련도와 정확도에서의 성능이 각각 4.4%, 6.2% 유의미하게 향상된 것으로 나타났다. 이러한 결과는 Hybrid RAG 를 통해 컨텍스트 정보에 '노드-관계-노드'와 같은 명시적인 정보를 포함시키고, 벡터 유사도 기반 노드 검색을 통해 더 넓은 그래프 탐색 공간을 확보함으로써 달성했다고 볼 수 있다.