필요할 때 그래프를 활용하라: 그래프를 활용한 효율적이고 적응적인 검색 증강 생성 모델

Use Graph When It Needs: Efficiently and Adaptively Integrating Retrieval-Augmented Generation with Graphs

대규모 언어 모델(LLM)은 환각 현상 및 오래된 파라미터 지식으로 인해 지식 집약적인 작업에서 어려움을 겪는 경우가 많습니다. 검색 증강 생성(RAG)은 외부 코퍼스를 통합하여 이러한 문제를 해결하지만, 비정형 도메인 문서에 존재하는 단편적인 정보로 인해 효과가 제한됩니다. 그래프 증강 RAG(GraphRAG)는 구조화된 지식 그래프를 통해 문맥적 추론을 향상시키기 위해 개발되었지만, 역설적으로 실제 시나리오에서 기본적인 RAG보다 성능이 떨어지는 경우가 많으며, 복잡한 쿼리에서는 정확도가 크게 낮아지고 지연 시간이 매우 깁니다. 우리는 GraphRAG가 모든 쿼리에 대해 일관되게 적용되는 것이 성능 저하의 근본적인 원인이라고 판단했습니다. 이를 해결하기 위해, 구문 정보를 기반으로 쿼리의 복잡성을 분석하여 RAG와 GraphRAG 패러다임을 동적으로 통합하는 효율적이고 적응적인 GraphRAG 프레임워크인 EA-GraphRAG를 제안합니다. 우리의 접근 방식은 다음과 같습니다. (i) 각 쿼리를 분석하여 구조적 특징을 추출하는 구문 특징 생성기; (ii) 이러한 특징을 연속적인 복잡성 점수로 매핑하는 경량 복잡성 평가기; (iii) 복잡성 점수를 기반으로 RAG를 선택하거나 그래프 기반 검색을 호출하며, 경계 사례를 처리하기 위해 복잡성을 고려한 순위 결합을 적용합니다. 단일 홉 및 다중 홉 질의 응답 벤치마크로 구성된 종합적인 벤치마크를 사용하여 실험한 결과, EA-GraphRAG는 정확도를 크게 향상시키고 지연 시간을 줄이며, 간단한 쿼리와 복잡한 쿼리가 혼합된 시나리오에서 최첨단 성능을 달성함을 확인했습니다.

Large language models (LLMs) often struggle with knowledge-intensive tasks due to hallucinations and outdated parametric knowledge. While Retrieval-Augmented Generation (RAG) addresses this by integrating external corpora, its effectiveness is limited by fragmented information in unstructured domain documents. Graph-augmented RAG (GraphRAG) emerged to enhance contextual reasoning through structured knowledge graphs, yet paradoxically underperforms vanilla RAG in real-world scenarios, exhibiting significant accuracy drops and prohibitive latency despite gains on complex queries. We identify the rigid application of GraphRAG to all queries, regardless of complexity, as the root cause. To resolve this, we propose an efficient and adaptive GraphRAG framework called EA-GraphRAG that dynamically integrates RAG and GraphRAG paradigms through syntax-aware complexity analysis. Our approach introduces: (i) a syntactic feature constructor that parses each query and extracts a set of structural features; (ii) a lightweight complexity scorer that maps these features to a continuous complexity score; and (iii) a score-driven routing policy that selects dense RAG for low-score queries, invokes graph-based retrieval for high-score queries, and applies complexity-aware reciprocal rank fusion to handle borderline cases. Extensive experiments on a comprehensive benchmark, consisting of two single-hop and two multi-hop QA benchmarks, demonstrate that our EA-GraphRAG significantly improves accuracy, reduces latency, and achieves state-of-the-art performance in handling mixed scenarios involving both simple and complex queries.