Knowledge Graph

• Knowledge Graph(KG) = 세상을 엔티티(노드)와 관계(엣지) 의 그래프로 표현한 지식 베이스. RDF/OWL 같은 시맨틱 웹 표준이 뿌리.
• 일반 RAG(Retrieval-Augmented Generation)가 비슷한 문서를 찾는 데 그친다면, KG는 다단계 추론과 수치·관계의 정확성에서 강력하다.

그래프 표현

Copy
(타이거나스닥100 ETF) -[추종]-> (나스닥100 지수)
(나스닥100 지수)       -[포함]-> (애플)
(애플)                 -[속한산업]-> (IT)

• "성장주 ETF 추천해줘" → ETF → 추종 지수 → 구성 종목 → 산업 분류까지 한 번에 탐색.

대표 DB

Cypher 예 (Neo4j)

CYPHERCopy

LLM과 결합 — Text-to-Cypher

PythonCopy

• LLM의 일은 자연어 → Cypher 변환과 결과 → 자연어 정리. 사실은 DB가 책임진다.

GraphRAG와의 관계

• GraphRAG는 KG를 문서에서 자동 추출해 RAG 검색에 활용하는 패턴.
• 잘 만들어진 도메인 KG가 이미 있다면 GraphRAG보다 직접 Text-to-Cypher가 더 정확하다.
• 둘을 섞기도 함: 도메인 KG는 사람이 만든 것 + 문서에서 자동 추출한 보조 KG.

Ontology와의 관계

• Ontology = KG의 스키마 (어떤 엔티티 타입과 관계가 존재하는가).
• KG = Ontology에 데이터를 채운 인스턴스.
• 미래에셋 사례: 금융 도메인 Ontology(상품·발행사·종목·산업) → 실제 ETF 데이터로 KG 구축.

장점

• 다단계 추론 — JOIN 여러 번이 필요한 질문에 강함.
• 수치 정확 — RAG가 약한 영역.
• 설명 가능 — 답의 경로를 그래프로 보여줄 수 있다.

단점

• 구축 비용 — 도메인 모델링이 사람의 일.
• 변화에 약함 — 새 관계 타입을 추가하면 쿼리·LLM 프롬프트 모두 갱신.
• LLM이 Cypher를 틀리면 답이 깨진다 → 스키마 description, few-shot 예시 필수.

관련

• Ontology · GraphRAG · RAG(Retrieval-Augmented Generation) · Hybrid Search.
• Tool Calling — query_graph_db 도구로 노출.
• Graph Data Modeling — 노드·관계·속성과 traversal을 질의에서 설계하는 방법.