[논문 리뷰] GraphRAG, OntologyRAG, Multi Hop 추론 관련 논문

서론: 인공지능 추론 아키텍처의 패러다임 전환

최근 대규모 언어 모델(LLM, Large Language Models)은 단순한 텍스트 생성을 넘어, 고도의 논리적 추론과 도메인 특화 지식 처리가 요구되는 복잡한 작업(Task)에 투입되고 있다. 초기 LLM의 한계인 환각 현상(Hallucination)과 지식의 정적 성질을 극복하기 위해 외부 지식 베이스를 활용하는 검색 증강 생성(RAG, Retrieval-Augmented Generation) 기법이 도입되었다. 그러나 전통적인 벡터 기반 RAG는 문서의 의미론적 조각(Chunk)을 독립적으로 검색하기 때문에, 문서 전체를 아우르는 전역적 맥락(Global Context)의 이해나 엔티티 간의 복잡한 관계망을 추적해야 하는 다중 홉 추론(Multi-hop Reasoning)에서 명확한 한계를 노출했다.

이러한 맥락에서 지식 그래프(KG, Knowledge Graph)의 위상수학적 구조와 LLM의 능력을 결합한 GraphRAG 아키텍처, 자율적 온톨로지 생성 기술, 그리고 이를 오케스트레이션(Orchestration)하는 멀티 에이전트 시스템이 새로운 표준으로 부상하고 있다. 본 보고서는 제공된 24편의 핵심 학술 논문들을 주제별로 묶어, 각 논문이 제시하는 요약(Summary), 방법론(Methodology), 그리고 파이썬(Python) 생태계 기반의 실제 구현 메커니즘(Implementation)을 심층적으로 분석한다.

1. GraphRAG의 진화와 기반 프레임워크 설계

지식 그래프를 RAG에 통합하는 과정은 단순한 데이터베이스 교체가 아닌, 검색 패러다임 자체의 변화를 의미한다. 이 섹션에서는 GraphRAG의 기틀을 마련한 핵심 연구들과 이를 집대성한 서베이 논문들을 분석한다.

전역적 맥락 이해를 위한 커뮤니티 요약 기법

"From Local to Global: A Graph RAG Approach to Query-Focused Summarization" (2024) 논문은 전체 코퍼스에 대한 전역적(Global)인 이해가 필요한 질의응답을 처리하기 위한 혁신적인 방법론을 제시한다. 벡터 기반 RAG가 문서의 국소적(Local) 정보만 검색하는 한계를 극복하기 위해, 이 연구는 텍스트에서 추출한 엔티티와 관계를 바탕으로 지식 그래프를 구축하고, 커뮤니티 탐지(Community Detection) 알고리즘을 통해 노드들을 논리적 그룹으로 클러스터링하는 방법론을 채택했다. 구축된 그래프 커뮤니티별로 요약(Community Summaries)을 사전 생성한 뒤, 실행 시간(Runtime)에 질의가 들어오면 이 요약본들을 바탕으로 답변을 통합 생성한다. 실제 구현 과정에서 이 연구는 다중 파트(Multipart) LLM 프롬프트를 사용하여 텍스트 내의 모든 엔티티(이름, 유형, 설명)와 이들 간의 관계를 단일 구분된 파이썬 튜플(Tuple) 리스트 형태로 반환하도록 설계했다. 파이썬 환경에서 그래프 커뮤니티 구조를 탐지하고 관리하기 위해 NetworkX 와 같은 라이브러리가 그래프 인스턴스화에 사용되며, 커뮤니티 요약 데이터를 체계적으로 관리하기 위해 JSON 포맷 구조의 딕셔너리를 적극 활용한다.

GraphRAG 기술의 체계적 분류 및 서베이

GraphRAG 방법론이 급증함에 따라 이를 체계화한 세 편의 서베이 논문이 등장했다. "A Survey of Graph Retrieval-Augmented Generation" (2025) 논문은 GraphRAG를 인덱싱(G-Indexing), 검색(G-Retrieval), 생성(G-Generation)의 세 가지 핵심 파이프라인으로 정형화했다. 이 연구는 지식의 조직 방식에 따라 세밀한 도메인 지식을 제공하는 ‘지식 기반(Knowledge-based) GraphRAG’와, 대규모 확장이 가능하도록 팩트 링킹(Fact Linking)을 활용하는 ‘인덱스 기반(Index-based) GraphRAG’로 아키텍처를 세분화하는 방법론을 제시한다. "Graph Retrieval-Augmented Generation: A Survey (ACM TIS)" (2025/2026) 역시 이러한 3단계 분류를 따르며, 지식 품질과 시스템 일반화 측면의 과제를 분석한다. 또한 "Graph-based Approaches and Functionalities in Retrieval-Augmented Generation" (2026) 논문은 그래프 기술이 단순히 검색을 넘어 RAG의 데이터베이스 구축 알고리즘과 파이프라인 전반에 어떻게 적용되는지 포괄적으로 다룬다. 이들 서베이 연구는 이론적 분석에 그치지 않고, 연구자들이 기술을 실증할 수 있도록 깃허브 리포지토리(pengboci/GraphRAG-Survey)를 통해 파이썬 기반 오픈소스 프로젝트와 벤치마크 데이터셋을 큐레이션하여 제공하는 구현 방식을 취한다.

연구 논문	핵심 방법론 (Methodology)	파이썬 라이브러리 및 구현 기술 (Implementation)
From Local to Global (2024)	그래프 커뮤니티 클러스터링 및 계층적 요약	Tuple 기반 엔티티 추출, JSON 파싱, NetworkX 그래프 커뮤니티 탐지
A Survey of Graph Retrieval-Augmented Generation (2025)	지식 기반 vs 인덱스 기반 아키텍처 분류 방법론	Python 기반 GraphRAG 생태계 오픈소스 리포지토리 큐레이션 제공

2. 멀티 에이전트 시스템과 동적 지식 추론 구조

정적인 지식 검색을 넘어, 외부 도구를 동적으로 사용하고 에이전트 간 협업을 통해 지식 그래프를 확장하는 메커니즘은 최신 AI 시스템의 핵심 동력이다.

사고 지식 그래프 (Knowledge Graph of Thoughts, KGoT)

"Affordable AI Assistants with Knowledge Graph of Thoughts" (2024/2025) 논문은 고비용 대형 모델에 의존하지 않고 경제적이고 효율적인 AI 어시스턴트를 개발하기 위한 KGoT 아키텍처를 제안한다. 이 방법론은 모델의 선형적인 프롬프트 의존성을 탈피하기 위해, 해결해야 할 과제와 관련된 지식을 동적 지식 그래프(Dynamic KG) 구조로 추출 및 정형화한다. 이후 수학 문제 해결기, 웹 크롤러, 파이썬 코드 실행 환경 등 외부 도구를 활용하여 지식 그래프를 반복적으로 보완하며 추론을 전개한다. 구현 측면에서 이 프로젝트는 파이썬 3.10 이상 환경에서 LangChain을 활용해 전체 도구 사용을 오케스트레이션하며, Ollama를 통해 로컬 모델을 구동한다. 지식 그래프의 논리적 관리를 위해 NetworkX 모듈을 기본으로 사용하고, Neo4j와 RDF4J 데이터베이스 백엔드를 통합하여 그래프를 쿼리한다. 웹 브라우징에는 Playwright와 SerpAPI가 채택되었으며, 보안이 중요한 파이썬 코드 도구 실행은 Docker 컨테이너 또는 Sarus를 통해 샌드박스 환경에서 안전하게 처리된다.

멀티 에이전트 기반 자율적 지식 그래프 강화 (KARMA)

"KARMA: Leveraging Multi-Agent LLMs for Automated Knowledge Graph Enrichment" (2025) 논문은 펍메드(PubMed)와 같은 방대한 비정형 과학 문헌에서 높은 정밀도로 지식을 추출해 기존 지식 그래프를 자율적으로 확장하는 프레임워크를 다룬다. 이 방법론은 단일 모델의 환각 현상을 억제하기 위해 IngestionAgent, Entity discovery, Relation extraction, Conflict resolution 등 특화된 역할을 부여받은 9개의 멀티 에이전트 파이프라인을 구축하고, 에이전트 간 상호 교차 검증(Cross-agent verification)을 수행하도록 설계되었다. 구현 시 문헌 병합 단계에서 파이썬 정규표현식 및 파서 모듈을 사용하여 OCR 오류를 보정하고 특수 문자를 정규화한 뒤, 추출된 메타데이터(DOI, 저자 등)와 본문을 JSON 구조로 포맷팅하여 에이전트 간 통신에 사용한다. 전체 오케스트레이션 로직 및 프롬프트 템플릿은 깃허브 리포지토리(YuxingLu613/KARMA 및 Fraunhofer-SCAI-Applied-Semantics/KG-Orchestra)에 파이썬 기반 오픈소스로 구현되어 접근 가능하다.

에이전트 라우팅을 위한 그래프 모델링 (Agent-as-a-Graph)

대규모 멀티 에이전트 시스템에서 어떤 도구나 에이전트를 호출할지 결정하는 것은 성능과 직결된다. "Agent-as-a-Graph Knowledge Graph-Based Tool" (2024/2025) 논문은 수많은 도구(Tools)와 에이전트(Agents)의 메타데이터 관계를 이분 그래프(Bipartite Graph)로 모델링하는 방법론을 제안한다. 구현 단계에서는 모델 컨텍스트 프로토콜(MCP, Model Context Protocol) 카탈로그를 기반으로, 초기에는 벡터 검색(Vector Search, BM25 등)을 통해 관련 노드를 빠르게 찾는다. 이후 파이썬 기반 스크립트를 통해 타입별 가중치가 적용된 상호 순위 융합(wRRF, weighted Reciprocal Rank Fusion) 알고리즘을 연산하여 순위를 재조정(Reranking)하고, 부모 에이전트 노드로 그래프를 탐색(Traversal)하여 최종 도구를 결정한다.

연구 논문	핵심 방법론 (Methodology)	파이썬 라이브러리 및 구현 기술 (Implementation)
KGoT (2024/2025)	동적 그래프 생성 및 외부 도구 반복 통합	LangChain, NetworkX, Ollama, Playwright, Neo4j, Docker
KARMA (2025)	9개 전문 에이전트 간 교차 검증 및 지식 추출	메타데이터 추출 정규표현식, JSON 데이터 포맷팅, 멀티 에이전트 오케스트레이션
Agent-as-a-Graph (2024/2025)	도구/에이전트 이분 그래프 기반 라우팅	MCP 프로토콜 파싱, Vector Search 임베딩, wRRF 가중치 융합 스크립트

3. 단계별 검색 및 다중 홉 추론 메커니즘의 고도화

LLM이 o1 모델과 같이 고도의 체인형 사고를 전개할 때, 검색 메커니즘 역시 정적 주입에서 동적 탐색으로 진화해야 한다.

실제 응용 분야의 하이브리드 에이전트 RAG (Agentic RAG with KGs)

"Agentic RAG with Knowledge Graphs for Complex Multi-Hop Reasoning in Real-World Applications" (2025) 논문은 벡터 데이터베이스의 유사도 검색과 지식 그래프의 구조적 탐색을 결합한 INRAExplorer 아키텍처를 제시한다. 이 방법론은 복잡한 질의가 주어졌을 때, 에이전트가 자체적으로 SearchPublications (출판물 검색), SearchConceptsKeywords (개념 검색), SearchGraph (그래프 순회) 등의 다중 도구를 상황에 맞게 호출하며 다중 홉(Multi-hop) 추론을 수행하도록 설계되었다. 실제 시스템 구현을 위해 파이썬 생태계의 다양한 도구가 융합되었다. 에이전트 오케스트레이션과 도구 호출은 Mirascope 프레임워크가 담당하며, 비정형 학술 PDF 문서의 텍스트 파싱을 위해 GROBID가 사용된다. 추출된 지식의 벡터 임베딩은 Qdrant에, 구조화된 관계 데이터는 Neo4j에 저장되며, 오픈소스 deepseek-r1-0528 모델이 추론 엔진으로 구동된다.

동적 하위 그래프 검색을 통한 추론 단계 진화 (Graph-Augmented Reasoning)

"Graph-Augmented Reasoning: Evolving Step-by-Step Knowledge Graph Retrieval for LLM Reasoning" (2025) 논문은 LLM이 중간 단계 추론에서 흔히 겪는 환각 현상을 억제하기 위한 방법론을 제안한다. 이 접근법(KG-RAR)은 전통적 RAG처럼 처음 한 번만 지식을 주입하는 것이 아니라, LLM이 사고의 사슬(CoT)을 전개하는 각 스텝마다 그 맥락에 부합하는 서브그래프(Sub-KGs)를 지식 그래프로부터 동적으로 재검색하고 투입하여 추론의 깊이와 일관성을 스케일링한다. 구현 환경에서는 Llama-3B 및 Qwen과 같은 오픈소스 모델들이 평가되었으며, 강화학습(RLHF) 파인튜닝과 보상 모델링을 효율적으로 수행하기 위해 파이썬 기반의 OpenRLHF 생태계를 기반으로 모듈이 확장 구성되었다.

연구 논문	핵심 방법론 (Methodology)	파이썬 라이브러리 및 구현 기술 (Implementation)
Agentic RAG with KGs (2025)	에이전트 도구 동적 호출 기반 다중 홉 탐색	Mirascope, GROBID, Qdrant, Neo4j 및 API 라우팅 설계
Graph-Augmented Reasoning (2025)	스텝별 CoT 동기화 및 서브그래프 동적 검색	OpenRLHF 프레임워크 연동, 상태 추적 기반 다중 프롬프팅 제어

4. 자율적 스키마 유도 및 온톨로지 생성 기술의 도약

사전 정의된 스키마에 데이터를 끼워 맞추던 전통적 지식 엔지니어링의 병목을 해소하기 위해, 데이터로부터 직접 구조를 도출해내는 자율적 파이프라인이 산업적 주목을 받고 있다.

동적 스키마 유도를 통한 자율적 KG 구축 (AutoSchemaKG)

"AutoSchemaKG: Autonomous Knowledge Graph Construction through Dynamic Schema Induction from Web-Scale Corpora" (2025) 논문은 전문가의 개입 없이 방대한 웹 텍스트로부터 지식 그래프를 자율 구축하는 혁신적 방법론을 제시한다. 이 프레임워크는 엔티티와 이벤트를 추출하는 단계와, 이를 상위 개념으로 추상화(Conceptualization)하여 동적으로 스키마를 유도하는 단계로 구성된다. 특히 사물(Entity)뿐만 아니라 사건(Event)을 그래프의 1급 객체로 취급하여 인과관계와 절차적 지식을 포착하는 것이 특징이다. 구현 측면에서 파이썬 비중이 매우 높은 독자적인 atlas-rag 패키지를 개발하여 파이프라인을 구동한다. 텍스트 임베딩을 위해 transformers 라이브러리의 NV-embed-v2 모델을 사용하며, 트리플 생성 시 openai 인터페이스를 호출한다. 문서 전처리를 위해 pdf_process가, 그래프 생성을 위해 NetworkX와 Neo4j가 묶여 단일 주피터 노트북(Jupyter Notebook) 파이프라인 내에서 전체 작업이 실행되도록 구성되었다.

인간 참여형 온톨로지 그라운딩 에이전트 (SCHEMA-MINERpro)

과학 문헌과 같이 고도의 정밀성이 요구되는 도메인을 위해 "SCHEMA-MINERpro: Agentic AI for Ontology Grounding over LLM-Discovered Scientific Schemas in a Human-in-the-Loop Workflow" (2025) 논문은 인간 검증을 파이프라인에 통합한 방법론을 제안한다. 초기 스키마 마이닝, 소규모 코퍼스 기반의 정제, 대규모 코퍼스 검증, 그리고 최종적으로 표준 온톨로지(QUDT 등)에 시맨틱 그라운딩(Semantic Grounding)을 수행하는 4단계의 체계적인 워크플로우를 따른다. 이 과정에서 에이전트는 어휘적 휴리스틱과 다중 단계 추론을 결합하여 매핑 정확도를 높인다. 구현체인 schema-miner 파이썬 패키지는 LangChain 프레임워크 위에서 에이전트의 사고 흐름을 제어한다. 데이터 저장과 조작을 위해 파이썬 표준 라이브러리인 json과 파일 시스템 관리를 위한 pathlib이 광범위하게 쓰이며, API 통신은 OpenAI를 비롯해 로컬 모델 실행기인 Ollama와 HuggingFace 허브 생태계와 상호 호환되도록 작성되었다.

비정형 웹 문서의 마크업 자동 생성 (LLM4Schema.org)

"LLM4Schema.org: Generating Schema.org Markups with Large Language Models" (2024/2025) 논문은 SEO(검색엔진 최적화) 마크업이 결여된 웹 문서를 대상으로 LLM을 이용해 자율적으로 Schema.org 표준 마크업을 생성하고 유효성을 평가하는 방법론을 제시한다. 이는 정해진 정답셋(Ground Truth)이 없는 상태에서도 LLM이 인간 생성 마크업 수준의 데이터를 도출해낼 수 있는지를 테스트하는 프레임워크다. 구현을 위해 웹 페이지의 DOM 트리를 파싱하고 데이터를 수집하는 파이썬 크롤링 프레임워크 Scrapy와 Selenium 라이브러리가 도입되었다. 정보 추출 프롬프트 설계 시 파이썬 클래스 구조를 텍스트 형태로 모델에 전달하고, 추출된 정보가 해당 클래스의 객체(Object) 인스턴스로 변환되어 반환되게 하는 기법이 사용되었다.

연구 논문	핵심 방법론 (Methodology)	파이썬 라이브러리 및 구현 기술 (Implementation)
AutoSchemaKG (2025)	2단계 동적 스키마 개념화 및 이벤트 모델링	atlas-rag, transformers, openai, NetworkX, Neo4j
SCHEMA-MINERpro (2025)	Human-in-the-Loop 기반 4단계 온톨로지 매핑	schema-miner, LangChain, json, pathlib, Ollama
LLM4Schema.org (2024/2025)	웹 콘텐츠 정답셋 없는 마크업 자동 생성	Scrapy, Selenium, 파이썬 클래스 기반 JSON 매핑

5. 도메인 특화 온톨로지 엔지니어링 및 메타인지 제어

정형화된 지식의 정수라 할 수 있는 '온톨로지'를 생성할 때, 대형 언어 모델의 추론 절차를 온톨로지 엔지니어링 방법론으로 어떻게 규제할 것인지에 대한 연구가 활발히 진행되고 있다.

메타인지 프롬프팅과 분해 기법 (Ontology Generation)

"Ontology Generation using Large Language Models" (2025) 논문은 LLM이 복잡한 온톨로지를 단번에 생성할 때 발생하는 오류를 방지하기 위한 메타인지 프롬프팅(Metacognitive Prompting) 'Ontogenia' 방법론을 상세히 제안한다. 이 방법론은 모델에게 온톨로지 엔지니어라는 명확한 페르소나를 부여하고, 전체 요구사항을 서브태스크로 분해(Subtask-decomposed)하여 한 번에 하나의 역량 질의(CQ, Competency Question)만 평가하도록 제한하는 체인형 프롬프팅(CoT)의 진화형 모델이다. 실제 구현 과정에서 생성된 온톨로지는 논리적 모순이나 빈 출력(Empty output) 오류를 확인하기 위해 파이썬 생태계와 연동된 OOPS!(Ontology Pitfall Scanner) 도구에 전송되며, 이를 통해 자동 피드백 루프를 형성하여 온톨로지 구조를 다듬어 나간다.

생명과학 분야 온톨로지 학습 파이프라인 (LLMs4Life)

특수 전문 지식이 집약된 생명과학 도메인을 타겟으로 한 "LLMs4Life: Large Language Models for Ontology Learning in Life Sciences" (2024) 논문은 기존의 복잡한 온톨로지 설계 표준인 NeOn 방법론을 프롬프트 파이프라인에 이식하는 방법론을 설계했다. 단순히 자연어를 Turtle 신택스로 변환하는 것을 넘어, 전문가의 컨텍스트 리치(Context-rich) 피드백이 모델 성능에 미치는 영향을 정량적으로 분석한다. 이 연구는 Python 3 환경에서 PyTorch 프레임워크를 기반으로 NeOn-GPT라는 파이프라인 코드를 작성하였다. 텍스트 처리와 추론 엔진 인터페이스를 통합한 해당 워크플로우 코드는 연구 재현을 위해 깃허브 리포지토리(andreamust/NEON-GPT)에 공개되었다.

특화 언어 모델을 통한 온톨로지 생성 방법론 탐구

"Methodological Exploration of Ontology Generation with a Dedicated Large Language Model" (2025) 논문은 자율주행차 인터페이스와 같이 고도로 제약된 산업 도메인의 온톨로지를 특화된 언어 모델을 이용해 자동으로 생성하기 위한 접근법을 다룬다. 이 방법론은 범용 LLM 대신 파인튜닝된 전용 언어 모델이 어떻게 더 엄격한 클래스 계층과 제약 조건을 학습하고 배출할 수 있는지를 탐구한다.

구현 관점에서는 파이썬 환경의 커스텀 모델 파인튜닝 스크립트와 검증 데이터셋 파싱 코드를 바탕으로, 생성된 온톨로지의 구문적 정확성과 구조적 일관성을 평가하는 검증 파이프라인을 운영한다.

연구 논문	핵심 방법론 (Methodology)	파이썬 라이브러리 및 구현 기술 (Implementation)
Ontology Generation (Lippolis, 2025)	Ontogenia 메타인지 프롬프팅 및 CQ 기반 태스크 분해	OOPS! API 통신 연동, 단계별 프롬프트 제어 스크립트
LLMs4Life (2024)	NeOn 방법론의 프롬프트 파이프라인 이식	Python 3, PyTorch, 깃허브 NeOn-GPT 파이프라인 구현
Methodological Exploration (2025)	특정 도메인 전용 모델을 통한 제약적 파인튜닝	모델 파인튜닝 스크립트 및 구문 평가 검증기

6. 온톨로지 그라운딩 기반의 응용 시스템 설계

생성된 온톨로지를 실제 산업용 RAG 시스템이나 시스템 엔지니어링 모델링 워크플로우에 접목하여 실질적인 추론 능력을 배가시키는 방법론들이 존재한다.

비정형 기술 문서의 자율적 온톨로지 도출 RAG (OntoRAG)

전기 릴레이와 같은 산업용 기술 매뉴얼의 비정형 문서에서 온톨로지를 자율적으로 도출하여 RAG 성능을 향상시키는 파이프라인이 "OntoRAG: Enhancing Question-Answering through Automated Ontology Derivation from Unstructured Knowledge Bases" (2025) 논문에 제안되었다. 이 방법론은 일반적인 길이 기반 청킹 대신 문서의 제목(Title)과 논리적 의미 단위를 결합한 하이브리드 청킹(Hybrid Chunking), 그리고 문장 간 임베딩의 코사인 유사도를 연산하여 인접 청크를 병합하는 시맨틱 청킹(Semantic Chunking) 기법을 사용한다. 이를 파이썬 코드로 구현하기 위해, PDF 문서 내의 레이아웃 요소를 식별하는 unstructured 라이브러리와 광학 문자 인식(OCR)을 위한 pytesseract가 도입되었다. 추출된 키 요소(이름, 정의 임베딩)들은 파이썬 scikit-learn 라이브러리의 K-means 기반 알고리즘을 통해 클러스터링되어 온톨로지 클래스를 형성하며, 커뮤니티 구조 분석에는 graspologic 네트워크 라이브러리가 활용된다.

지식 하이퍼그래프 결합 RAG (Ontology-grounded RAG)

"Ontology-grounded retrieval-augmented generation" (2024/2025) 연구는 단순한 노드-엣지 연결을 넘어 다중 관계를 표현할 수 있는 지식 하이퍼그래프(Knowledge Hypergraph)와 도메인 온톨로지를 결합하는 구조적 방법론을 제시한다. 이 모델(OG-RAG)은 문서 내 사실적 지식을 하이퍼엣지(Hyperedge) 클러스터로 캡슐화하고, 질의에 응답할 때 최적화 알고리즘을 통해 가장 의미 있는 최소한의 하이퍼엣지 집합을 검색해내는 메커니즘을 작동시킨다. 이 방법론은 한계가 명확한 기존 벡터 기반 검색을 대체하기 위해 파이썬 기반 오픈소스 라이브러리인 MIRAGE 환경 내에서 실험 환경을 구축하고, 다양한 모델의 컨텍스트 창 내 정보 보존율과 환각 검출력을 평가하는 방식을 채택했다.

도메인 온톨로지 기반의 LLM 보조 그래프 쿼리 생성 (OB-GRAG)

"OB-GRAG: LLM Assisted Graph Creation and Querying via Domain Specific Ontology" (2024/2025) 논문은 특정 도메인의 온톨로지를 사전에 모델에 주입하여 LLM이 그래프 데이터베이스와 직접 상호작용하는 방법론을 설계했다. 프레임워크는 자연어 질의가 입력되면 온톨로지 구조를 참조하여 문법적으로 유효한 Cypher 쿼리로 변환하고, 이를 그래프 DB에서 실행한 결과를 바탕으로 최종 답변을 합성한다.

구현 파이프라인에서는 파이썬 환경의 Neo4j 공식 드라이버와 LangChain의 그래프 쿼리 체인을 결합하여 LLM API와 데이터베이스 통신 모듈 사이의 미들웨어 역할을 수행하도록 구성된다.

시스템 엔지니어링을 위한 온톨로지 기반 프롬프팅 (Ontology-Driven LLM Assistance)

"Ontology-Driven LLM Assistance for Task-Oriented Systems" (2025) 논문은 모델 기반 시스템 엔지니어링(MBSE, Model-Based Systems Engineering) 환경에서 요구사항 문서로부터 시스템 구성 요소를 도출하는 방법론을 제안한다. LLM 프롬프트 생성 시 설계자가 사전에 정의한 텍스트 대 시스템 모델 온톨로지(요구사항, 기능, 모드, 구성 요소)를 강제 주입하여 출력의 포맷을 표준화한다. 이를 처리하기 위해 시스템에서 텍스트로 추출된 각 요소를 MBSE 모델 타입(예: SysML 블록)으로 변환하고 맵핑하는 NALMAGE와 같은 전용 파이썬 스크립트 패키지가 미들웨어로 작동하여 설계 자동화 툴과 인터페이스를 구성한다.

연구 논문	핵심 방법론 (Methodology)	파이썬 라이브러리 및 구현 기술 (Implementation)
OntoRAG (2025)	하이브리드 청킹, 임베딩 클러스터링을 통한 자동 온톨로지화	unstructured, pytesseract, scikit-learn, graspologic
Ontology-grounded RAG (2024/2025)	지식 하이퍼그래프 캡슐화 및 최소 엣지 최적화 검색	파이썬 오픈소스 라이브러리 MIRAGE 활용 아키텍처
Ontology-Driven LLM Assistance (2025)	텍스트 요구사항의 MBSE 모델 기반 매핑 프롬프팅	텍스트와 모델 타입 변환용 커스텀 파이썬 패키지 (NALMAGE) 연동

7. 지식의 추출 구조화 및 이기종 간 정렬 기술

지식 그래프를 구성하는 가장 말단 단위인 트리플(주어-동사-목적어) 구조를 얼마나 효과적으로 추출하고, 서로 다른 그래프 간의 이질적 노드를 어떻게 정렬할 것인가에 대한 연구는 데이터 품질을 결정하는 핵심이다.

제로샷 및 퓨샷 추론을 활용한 트리플 추출 (Zero- and Few-Shots KG Triplet Extraction)

"Zero- and Few-Shots Knowledge Graph Triplet Extraction with Large Language Models" (2024) 논문은 모델 파인튜닝 없이 프롬프팅만으로 문장 내 엔티티와 관계를 지식 그래프의 기초 단위인 트리플(Triplet) 구조로 안정적으로 추출하는 방법론을 분석한다. LLM에 전체 문장을 통째로 주입할 경우 발생하는 인지 부하와 환각을 줄이기 위해, 기반 지식 베이스(KB) 유무에 따른 성능을 교차 평가한다. 구현 환경에서는 파이프라인의 효율성을 높이기 위해, LLM에 데이터를 전송하기 전 파이썬의 대표적인 자연어 처리 라이브러리인 spaCy (특히 en-core-web- 모델)를 구동하여 명명된 개체 인식(NER)을 먼저 수행한다. 또한, 대화형 텍스트 기반 시나리오 생성을 위해 TextWorld 파이썬 라이브러리가 백엔드의 상태 추적용 도구로 통합되었다.

LLM을 활용한 지식 그래프 간 엔티티 정렬 (LLM-Align)

"LLM-Align: Utilizing Large Language Models for Entity Alignment in Knowledge Graphs" (2024) 연구는 서로 다른 지식 그래프 내의 이기종 엔티티들이 동일한 대상을 지칭하는지 병합, 판단(Entity Alignment)하기 위한 방법론이다. LLM-Align은 RAGAT 등 기존 모델을 이용해 1차 후보군을 추출한 후, 엔티티의 중요 속성과 관계를 식별하는 휴리스틱(Heuristic) 기반 규칙을 적용한다. 위치 편향(Positional bias)이나 환각을 제어하기 위해 여러 번 평가를 거치는 다중 라운드 투표(Multi-round voting) 매커니즘을 핵심 방법론으로 둔다. 가장 돋보이는 파이썬 기반 구현 기법은, 각기 다른 스키마 형식을 가진 여러 지식 데이터베이스의 출력을 통합하기 위해 데이터를 파이썬 클래스(Python classes) 형태로 균일하게 변환(Transform)한 후 프롬프팅을 진행한다는 점이다. 이 과정을 처리하는 함수와 매핑 로직은 순수 파이썬 스크립트로 구축되었다.

연구 논문	핵심 방법론 (Methodology)	파이썬 라이브러리 및 구현 기술 (Implementation)
Zero- and Few-Shots KG Triplet Extraction (2024)	지식 베이스 기반 제로/퓨샷 트리플 추출 평가	spaCy NER 전처리 모델 (en-core-web-), TextWorld 연동
LLM-Align (2024)	휴리스틱 후보군 필터링 및 다중 라운드 투표	이기종 스키마의 파이썬 클래스 인스턴스화 및 매핑 스크립트

8. 시간적 지식 그래프, 데이터 구조 벤치마킹과 최적화

지식 시스템이 장기적으로 구동되기 위해서는 시간에 따른 상태 변화를 저장하는 메모리 구조, 성능을 평가하는 벤치마크, 그리고 최적의 데이터베이스 모델링 스펙이 필수적이다.

에이전트 메모리를 위한 시간적 지식 그래프 (Zep)

AI 에이전트의 대화가 누적될수록, 과거에 참이었던 사실이 현재는 거짓이 되는 상황(예: 거주지 변경)이 발생한다. "Zep: A Temporal Knowledge Graph Architecture for Agent Memory" (2024/2025) 논문은 이러한 한계를 극복하기 위해 시간적 지식 그래프(Temporal Knowledge Graph)를 에이전트 메모리로 사용하는 방법론을 제안한다. 에이전트의 대화를 에피소드(Episodes) 단위로 분석하고, 엔티티와 사실을 추출한 뒤 시간에 따른 사실의 유효성 소멸(Edge Invalidation)을 관리하며, 관련 정보들을 커뮤니티로 클러스터링한다. 구현 아키텍처는 Zep의 코어 오픈소스 엔진인 Graphiti를 기반으로 구동되며, 깃허브 리포지토리(getzep/graphiti)에 공개되어 있다. 데이터 탐색은 코사인 의미론적 유사도(Cosine Semantic Similarity), Okapi BM25 텍스트 기반 검색, 넓이 우선 탐색(BFS) 방식을 결합한 하이브리드 리트리버 로직으로 구성된다. 이 파이썬 워크플로우는 내부적으로 Neo4j의 Lucene 인덱스 기능을 호출하여 수 밀리초 내에 응답하는 구조를 띤다.

텍스트화된 지식 그래프를 위한 LLM 벤치마크 (KG-LLM-Bench)

"KG-LLM-Bench: A Scalable Benchmark for Evaluating LLM Reasoning on Textualized Knowledge Graphs" (2024/2025) 논문은 복잡한 하이퍼그래프 형태의 지식을 LLM이 입력으로 받아들일 수 있는 1차원 선형 텍스트로 변환(Textualization)할 때, 어떤 전략이 가장 우수한 추론 성능을 담보하는지 5가지 인코딩 관점에서 분석하는 방법론을 다룬다. 실제 벤치마킹을 위해 연구진은 파이썬과 Jupyter Notebook 환경을 바탕으로 모듈화된 파이프라인 소프트웨어를 개발했다. 이를 통해 연구자는 Llama, Qwen, GPT 등 여러 로컬 및 클라우드 모델을 교체해가며 추론력을 쉽게 평가할 수 있다. 소스 코드는 깃허브 리포지토리(uclnlp/cqd 및 Elanmarkowitz/kg-llm-bench)에 공개되어 오픈 리서치를 지원한다.

스마트 홈의 연결형 데이터 관리를 위한 RDF와 LPG의 비교

지식 그래프를 구성하는 기저 데이터베이스의 논리적 구조는 탐색 효율성을 좌우한다. "Linked Data for Smart Homes: Comparing RDF and Labeled Property Graphs" (2020) 연구는 사물 인터넷(IoT) 환경을 위한 트리플 모델인 RDF(Resource Description Framework) 스토어와 속성 그래프(LPG, Labeled Property Graph) 모델을 정성적, 정량적으로 비교 분석하는 방법론을 다룬다. RDF는 글로벌 상호운용성(HTTP URI, 온톨로지 호환성 등)에서 매우 유리하지만, 데이터 구조가 원자적(Atomic)이어서 다중 도메인 질의 시 노드 수가 폭발적으로 증가해 복잡한 탐색에서 심각한 병목을 일으킨다. 반면 LPG(예: Neo4j)는 엣지와 노드 객체 자체에 직접 프로퍼티(Property)를 속성으로 기입할 수 있어 다중 홉 탐색 시 복잡성이 훨씬 적고 응답 속도가 빠르다. 구현 관점에서는 Restlet 프레임워크를 기반으로 스마트 홈 데이터를 수집한 후, Neo4j의 NSMTX RDF Import 플러그인을 파이썬 파이프라인에서 호출하여 RDF 그래프 구조를 LPG 환경으로 강제 변환, 임포트(Import)하고 질의 실행 속도를 벤치마킹한다.

연구 논문	핵심 방법론 (Methodology)	파이썬 라이브러리 및 구현 기술 (Implementation)
Zep (Temporal KG) (2024/2025)	에피소드 클러스터링 및 엣지 유효성(Edge Invalidation) 추적	Graphiti 오픈소스, Neo4j Lucene 통합, Cosine/BM25/BFS 하이브리드 검색 구현
KG-LLM-Bench (2024/2025)	그래프 텍스트화 인코딩 방식 비교 및 추론 평가 확장	Jupyter Notebook 기반 일괄 평가 파이프라인 (깃허브 공개)
Linked Data for Smart Homes (2020)	RDF 원자성과 LPG 속성 저장 구조의 쿼리 복잡도 벤치마킹	Restlet 연동, Neo4j NSMTX 플러그인 기반 RDF-LPG 변환 스크립트

결론 및 기술적 파급 효과

본 보고서에서 분석한 24편의 학술 문헌들은, 대규모 언어 모델이 어떻게 구조화되지 않은 텍스트 환경에서 벗어나 정교하게 오케스트레이션된 지식 처리 엔진(Cognitive Engine)으로 도약하고 있는지를 극명하게 보여준다. 분석된 문헌들을 종합할 때, 지식 시스템 설계의 패러다임은 다음과 같이 구조적인 변화를 겪고 있다.

첫째, 지식 엔지니어링의 병목이 톱다운(Top-down) 방식에서 바텀업(Bottom-up) 형태의 자율화로 역전되었다. 과거 도메인 전문가들이 엄격한 온톨로지를 설계한 후 데이터를 적재해야만 가능했던 지식 그래프 구축 작업이 이제는 AutoSchemaKG나 SCHEMA-MINERpro 등에서 입증되듯, LLM이 문헌을 읽고 동적으로 개념을 추상화하여 스스로 스키마를 유도(Dynamic Schema Induction)하는 자율적 프로세스로 전환되었다. 이 과정에서 메타인지 프롬프팅 기법들이 인간의 전문가적 사고 구조를 훌륭히 모사하며 오답을 제어하고 있다.

둘째, 단순 유사도 검색에 의존하던 전통적 RAG 시스템이 에이전트 기반의 다중 홉 탐색 구조(Agentic RAG)로 전면 고도화되었다. KGoT 아키텍처나 INRAExplorer 등의 시스템은 LLM을 단순한 응답 생성기가 아닌, 필요한 시점에 파이썬 코드를 실행하거나 Neo4j 그래프 데이터베이스에 Cypher 쿼리를 던져 스스로 지식의 빈틈을 채우는 주체적인 판단자로 기능하게 만든다. 에이전트들이 도구를 다루는 양태 자체가 그래프화(Agent-as-a-graph)됨으로써 복잡한 워크플로우 제어가 가능해졌다.

셋째, 시계열적 맥락을 흡수하는 메모리 인프라의 도입으로 인해 상호작용의 연속성이 극대화되었다. Zep과 같은 시간적 지식 그래프(Temporal KG) 구조의 출현은, 그래프 노드가 영구 불변의 사실이 아니라 사용자와의 교류 및 에피소드 진행에 따라 무효화되거나 갱신될 수 있는 유동적 상태 변수로 취급될 수 있음을 보여준다. 이는 AI 에이전트가 단기적 과제 수행을 넘어, 지속적 학습(Continual Learning)과 장기 기억력(Long-term memory)을 필요로 하는 광범위한 상호작용 시나리오에서 중심 역할을 수행하게 될 기반을 제공한다.

궁극적으로 이러한 이론적 도약들이 현실 세계의 소프트웨어 시스템으로 안착할 수 있었던 이면에는, LangChain, Mirascope, NetworkX, 그리고 HuggingFace 생태계로 대변되는 파이썬 중심의 오픈소스 파이프라인 생태계가 강력한 미들웨어 역할을 수행했기 때문이다. 향후 지능형 추론 시스템 설계자들은 단일 언어 모델의 파라미터 경쟁보다는, 이러한 지식 구조의 동적 유도와 멀티 에이전트 라우팅 최적화, 그리고 다양한 데이터 스토어(LPG, Vector DB) 간의 하이브리드 파이프라인 설계에 자원과 역량을 집중해야 할 것이다.

 

참고 자료

1. A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models - arXiv.org, 3월 13, 2026에 액세스, https://arxiv.org/html/2501.13958v1
2. Graph-Augmented Reasoning: Evolving Step-by-Step Knowledge Graph Retrieval for LLM Reasoning - arXiv, 3월 13, 2026에 액세스, https://arxiv.org/pdf/2503.01642
3. Agentic RAG with Knowledge Graphs for Complex Multi-Hop Reasoning in Real-World Applications - arXiv.org, 3월 13, 2026에 액세스, https://arxiv.org/html/2507.16507v1
4. From Local to Global: A Graph RAG Approach to Query-Focused Summarization - arXiv.org, 3월 13, 2026에 액세스, https://arxiv.org/abs/2404.16130
5. From Local to Global: A GraphRAG Approach to Query-Focused Summarization - arXiv, 3월 13, 2026에 액세스, https://arxiv.org/html/2404.16130v2
6. From Local to Global: A Graph RAG Approach to Query-Focused Summarization - jsDelivr, 3월 13, 2026에 액세스, https://cdn.jsdelivr.net/gh/yanfeng98/paper-is-all-you-need/papers/00046-GraphRAG.pdf
7. [PDF] Graph Retrieval-Augmented Generation: A Survey | Semantic Scholar, 3월 13, 2026에 액세스, https://www.semanticscholar.org/paper/Graph-Retrieval-Augmented-Generation%3A-A-Survey-Peng-Zhu/9ab45aa875b56335303398e84a59a3756cd9d530
8. (PDF) A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models - ResearchGate, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/388401799_A_Survey_of_Graph_Retrieval-Augmented_Generation_for_Customized_Large_Language_Models
9. A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models - OpenReview, 3월 13, 2026에 액세스, https://openreview.net/pdf?id=9FJiOMuZkr
10. [2501.13958] A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models - arXiv.org, 3월 13, 2026에 액세스, https://arxiv.org/abs/2501.13958
11. (PDF) Graph-Based Agentic Retrieval-Augmented Generation: A Comprehensive Survey, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/396209481_Graph-Based_Agentic_Retrieval-Augmented_Generation_A_Comprehensive_Survey
12. spcl/knowledge-graph-of-thoughts: Official Implementation ... - GitHub, 3월 13, 2026에 액세스, https://github.com/spcl/knowledge-graph-of-thoughts
13. Affordable AI Assistants with Knowledge Graph of Thoughts | by Ema Ilic | Medium, 3월 13, 2026에 액세스, https://medium.com/@ema.ilic9/affordable-ai-assistants-with-knowledge-graph-of-thoughts-1f3783e6482f
14. Affordable AI Assistants with Knowledge Graph of Thoughts - arXiv, 3월 13, 2026에 액세스, https://arxiv.org/html/2504.02670v6
15. AI-Powered Paper Summarization about the arXiv paper 2502.06472v1, 3월 13, 2026에 액세스, https://www.summarizepaper.com/en/arxiv-id/2502.06472v1/
16. KARMA: Leveraging Multi-Agent LLMs for Automated Knowledge Graph Enrichment, 3월 13, 2026에 액세스, https://arxiv.org/html/2502.06472v1
17. KARMA: Leveraging Multi-Agent LLMs for Automated Knowledge Graph Enrichment - arXiv, 3월 13, 2026에 액세스, https://arxiv.org/pdf/2502.06472
18. (PDF) KARMA: Leveraging Multi-Agent LLMs for Automated Knowledge Graph Enrichment, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/388884012_KARMA_Leveraging_Multi-Agent_LLMs_for_Automated_Knowledge_Graph_Enrichment
19. KG-Orchestra: An Open-Source Multi-Agent Framework for Evidence-Based Biomedical Knowledge Graphs Enrichment | bioRxiv, 3월 13, 2026에 액세스, https://www.biorxiv.org/content/10.64898/2026.02.18.706536v1.full-text
20. Knowledge Graph-Based Tool and Agent Retrieval for LLM Multi-Agent Systems - arXiv.org, 3월 13, 2026에 액세스, https://www.arxiv.org/pdf/2511.18194
21. Tool and Agent Selection for Large Language Model Agents in Production: A Survey, 3월 13, 2026에 액세스, https://www.preprints.org/manuscript/202512.1050/v1
22. HybridRAG: Integrating Knowledge Graphs and Vector Retrieval Augmented Generation for Efficient Information Extraction | Request PDF - ResearchGate, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/385821579_HybridRAG_Integrating_Knowledge_Graphs_and_Vector_Retrieval_Augmented_Generation_for_Efficient_Information_Extraction
23. Agentic RAG with Knowledge Graphs for Complex Multi-Hop Reasoning in Real-World Applications - ResearchGate, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/393923781_Agentic_RAG_with_Knowledge_Graphs_for_Complex_Multi-Hop_Reasoning_in_Real-World_Applications
24. Evolving Step-by-Step Knowledge Graph Retrieval for LLM Reasoning - arXiv.org, 3월 13, 2026에 액세스, https://arxiv.org/html/2503.01642v1
25. UProp: Investigating the Uncertainty Propagation of LLMs in Multi-Step Agentic Decision-Making - arXiv.org, 3월 13, 2026에 액세스, https://arxiv.org/html/2506.17419v1
26. A Survey of Long Chain-of-Thought for Reasoning Large Language Models - arXiv, 3월 13, 2026에 액세스, https://arxiv.org/html/2503.09567v4
27. HKUST-KnowComp/AutoSchemaKG: This repository ... - GitHub, 3월 13, 2026에 액세스, https://github.com/HKUST-KnowComp/AutoSchemaKG
28. AutoSchemaKG Paper and Code Release - Jiaxin Bai, 3월 13, 2026에 액세스, https://bjx.fun/p/autoschemakg-paper-and-code-release/
29. sciknoworg/schema-miner: A Human-in-the-Loop Workflow ... - GitHub, 3월 13, 2026에 액세스, https://github.com/sciknoworg/schema-miner
30. Evaluation of LLM-Based Strategies for the Extraction of Food Product Information from Online Shops - SciTePress, 3월 13, 2026에 액세스, https://www.scitepress.org/Papers/2025/136473/136473.pdf
31. Testing the Feasibility of Schema.org Metadata Refinement Through the Use of a Large Language Model | Request PDF - ResearchGate, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/383487144_Testing_the_Feasibility_of_Schemaorg_Metadata_Refinement_Through_the_Use_of_a_Large_Language_Model
32. arXiv:2503.05388v1 [cs.AI] 7 Mar 2025, 3월 13, 2026에 액세스, https://arxiv.org/pdf/2503.05388
33. LLM-empowered knowledge graph construction: A survey - arXiv.org, 3월 13, 2026에 액세스, https://arxiv.org/html/2510.20345v1
34. Ontology Generation Using Large Language Models | Request PDF - ResearchGate, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/392242831_Ontology_Generation_Using_Large_Language_Models
35. Knowledge Engineering with Large Language Models: A Capability Assessment in Ontology Evaluation | Semantic Web Journal, 3월 13, 2026에 액세스, https://www.semantic-web-journal.net/system/files/swj3852.pdf
36. (PDF) LLMs4Life: Large Language Models for Ontology Learning in Life Sciences, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/386419108_LLMs4Life_Large_Language_Models_for_Ontology_Learning_in_Life_Sciences
37. Leveraging Large Language Models for Generating Research Topic Ontologies: A Multi-Disciplinary Study - arXiv, 3월 13, 2026에 액세스, https://arxiv.org/html/2508.20693v1
38. Retrieval-Augmented Generation of Ontologies from Relational Databases - ResearchGate, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/392334429_Retrieval-Augmented_Generation_of_Ontologies_from_Relational_Databases
39. Publications | Institute for Artificial Intelligence | University of Stuttgart, 3월 13, 2026에 액세스, https://www.ki.uni-stuttgart.de/departments/ac/research/publications/
40. [2506.00664] OntoRAG: Enhancing Question-Answering through Automated Ontology Derivation from Unstructured Knowledge Bases - arXiv.org, 3월 13, 2026에 액세스, https://arxiv.org/abs/2506.00664
41. OntoRAG: Enhancing Question-Answering through Automated Ontology Derivation from Unstructured Knowledge Bases - arXiv.org, 3월 13, 2026에 액세스, https://arxiv.org/pdf/2506.00664
42. OntoRAG: Enhancing Question-Answering through Automated Ontology Derivation from Unstructured Knowledge Bases - arXiv, 3월 13, 2026에 액세스, https://arxiv.org/html/2506.00664v1
43. (PDF) OntoRAG: Enhancing Question-Answering through Automated Ontology Derivation from Unstructured Knowledge Bases - ResearchGate, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/392334005_OntoRAG_Enhancing_Question-Answering_through_Automated_Ontology_Derivation_from_Unstructured_Knowledge_Bases
44. Research Conference Spotlight - Georgia Institute of Technology, 3월 13, 2026에 액세스, https://sites.gatech.edu/research/spotlight/
45. LinearRAG: Linear Graph Retrieval Augmented Generation on Large-scale Corpora - arXiv.org, 3월 13, 2026에 액세스, https://arxiv.org/html/2510.10114v1
46. Paper Digest: CIKM 2025 Papers & Highlights, 3월 13, 2026에 액세스, https://www.paperdigest.org/2025/11/cikm-2025-papers-highlights/
47. SCIENCE AND TECHNOLOGY PUBLICATIONS - SciTePress, 3월 13, 2026에 액세스, https://www.scitepress.org/Papers/2025/
48. Ontology used for generated MBSE model elements. - ResearchGate, 3월 13, 2026에 액세스, https://www.researchgate.net/figure/Ontology-used-for-generated-MBSE-model-elements_fig3_388476324
49. Proceedings of the 13th International Conference on Model-Based Software and Systems Engineering, MODELSWARD 2025, Porto, Portugal, February 26-28, 2025 - Researchr, 3월 13, 2026에 액세스, https://researchr.org/publication/modelsward-2025
50. WESE: weak exploration to strong exploitation for LLM agents - ResearchGate, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/400303273_WESE_weak_exploration_to_strong_exploitation_for_LLM_agents
51. Proceedings of the 1st Workshop on Knowledge Graphs and Large Language Models (KaLLM 2024) - ACL Anthology, 3월 13, 2026에 액세스, https://aclanthology.org/2024.kallm-1.pdf
52. IS2024 - SIKDD 2024 Paper 15 | PDF | Artificial Intelligence - Scribd, 3월 13, 2026에 액세스, https://www.scribd.com/document/909399369/IS2024-SIKDD-2024-paper-15
53. AutoAlign: Fully Automatic and Effective Knowledge Graph Alignment Enabled by Large Language Models | Request PDF - ResearchGate, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/374864668_AutoAlign_Fully_Automatic_and_Effective_Knowledge_Graph_Alignment_Enabled_by_Large_Language_Models
54. Unlocking the Power of Large Language Models for Entity Alignment - ResearchGate, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/384208316_Unlocking_the_Power_of_Large_Language_Models_for_Entity_Alignment
55. [PDF] Unlocking the Power of Large Language Models for Entity, 3월 13, 2026에 액세스, https://www.semanticscholar.org/paper/Unlocking-the-Power-of-Large-Language-Models-for-Jiang-Shen/a35c3321c48ff496bb6ef085829f2d488973a72e
56. Daily Papers - Hugging Face, 3월 13, 2026에 액세스, https://huggingface.co/papers?q=Entity-Relation%20Matching
57. [PDF] Zep: A Temporal Knowledge Graph Architecture for Agent Memory | Semantic Scholar, 3월 13, 2026에 액세스, https://www.semanticscholar.org/paper/Zep%3A-A-Temporal-Knowledge-Graph-Architecture-for-Rasmussen-Paliychuk/12407be490a4e4633da7f25a93af000be573a288
58. Rylan Talerico on Zep: A Temporal Knowledge Graph Architecture for Agent Memory [PWL NYC] | Papers We Love, 3월 13, 2026에 액세스, https://paperswelove.org/videos/rylan-talerico-on-zep-a-temporal-knowledge-graph-architecture-for-agent-memory-p/
59. Zep: A Temporal Knowledge Graph Architecture for Agent Memory - arXiv, 3월 13, 2026에 액세스, https://arxiv.org/html/2501.13956v1
60. GitHub - getzep/graphiti: Build Real-Time Knowledge Graphs for AI Agents, 3월 13, 2026에 액세스, https://github.com/getzep/graphiti
61. Knowledge Graphs in Agent Memory.md - GitHub, 3월 13, 2026에 액세스, https://github.com/heathersherry/Knowledge-Graph-Tutorials-and-Papers/blob/master/topics/Knowledge%20Graphs%20in%20Agent%20Memory.md
62. KG-LLM-Bench: A Scalable Benchmark for Evaluating LLM Reasoning on Textualized Knowledge Graphs | Request PDF - ResearchGate, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/390639562_KG-LLM-Bench_A_Scalable_Benchmark_for_Evaluating_LLM_Reasoning_on_Textualized_Knowledge_Graphs
63. Krupa Galiya krupagaliya - GitHub, 3월 13, 2026에 액세스, https://github.com/krupagaliya
64. KG-LLM-Bench: A Scalable Benchmark for Evaluating LLM Reasoning on Textualized Knowledge Graphs - arXiv.org, 3월 13, 2026에 액세스, https://arxiv.org/html/2504.07087v1
65. Linked data for smart homes: comparing RDF and labeled property graphs, 3월 13, 2026에 액세스, https://www.semanticscholar.org/paper/Linked-data-for-smart-homes%3A-comparing-RDF-and-Donkers-Yang/652d03a3da1e188134d19b8386481801fe2a0ab5
66. Linked Data for Smart Homes: Comparing RDF and Labeled Property Graphs - CEUR-WS.org, 3월 13, 2026에 액세스, https://ceur-ws.org/Vol-2636/02paper.pdf

Linked Data for Smart Homes: Comparing RDF and Labeled Property Graphs, 3월 13, 2026에 액세스, https://www.researchgate.net/publication/342956606_Linked_Data_for_Smart_Homes_Comparing_RDF_and_Labeled_Property_Graphs

- 전체적인 스킴을 위해서 Deep Research를 활용했는데, 관심있는 논문들부터 하나씩 정리할 예정