요약
현실 세계의 정보를 개체(노드)와 관계(엣지)로 표현한 데이터 모델
텍스트에 흩어져 있는 사실들을 "누가-무엇을-어떻게"의 구조로 명시화해, 기계가 추론과 탐색을 할 수 있게 만든 지식 표현.
구성 요소
- 노드(Node): 사람, 장소, 개념 등 개체 (예:
Pfizer,아스피린) - 엣지(Edge): 노드 간의 관계 (예:
개발한다,치료한다) - 속성(Properties): 노드나 엣지의 부가 정보 (예: 이름, 날짜, 출처)
트리플(주어-술어-목적어) 단위로 축적되며, Graph Database(Neo4j 등)에 저장해 질의.
RAG에서의 활용
- 벡터 검색이 "의미가 비슷한 문서"를 찾는다면, 지식그래프는 "명시적으로 연결된 사실"을 따라감 → 다중 홉(multi-hop) 질문에 강함 (예: "A사가 개발한 약의 부작용은?")
- Graph RAG: 문서에서 트리플을 추출해 그래프를 만들고, 검색 시 관련 서브그래프를 컨텍스트로 주입
- 엔티티 정규화(같은 대상의 표기 통일)가 그래프 품질을 좌우 — NER·Fuzzy Matching이 전처리 핵심