Hybrid RAG: Enhancing Graph Retrieval-Augmented Generation through Vector Similarity-based Search

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 RAG는 문맥적 유사성 검색에 강점이 있지만 글로벌 질문이나 다단계 추론에 한계가 있다. 이를 극복하기 위해 개체 간의 관계 추론에 강점을 보이는 Graph RAG가 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 RAG는 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 RAG를 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.

Related Projects

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

  2024.02 — 2024.12