LLM 기반 온톨로지 활용 지식 그래프 구축 방법론
LLM-Guided Ontology-Driven Knowledge Graph Construction from Unstructured Text
arXiv본 연구는 산업 현장의 비정형 텍스트를 개방형 LLM과 온톨로지 학습 파이프라인을 결합하여 구조화된 지식 그래프(KG)로 변환하는 방법을 제시합니다.
- 실험 결과, 스키마 기반 프롬프트가 정보 추출 품질을 크게 향상시켰으며, 양자화 모델은 성능과 컴퓨팅 비용 사이의 효과적인 균형점을 제공했습니다.
- 이 기술은 특정 산업 분야의 전문 텍스트를 온톨로지 기반 KG로 구축하여 데이터 활용성을 극대화하고, 지식 추출 과정의 일반화를 지원합니다.
- 해당 방법론은 로컬 배포가 가능한 오픈소스 LLM과 재사용 가능한 프롬프팅 전략을 사용하므로 다양한 도메인에 적용하기 용이하다는 장점이 있습니다.
산업 현장의 비정형 텍스트에서 지식 그래프를 구축하는 것은 도메인 특이성, 주석화된 자원의 부족, 그리고 복잡한 온톨로지 엔지니어링 워크플로우 때문에 어려운 과제입니다. 본 연구는 이러한 문제를 해결하기 위해 소형 (Large Language Models), 재사용 가능한 프롬프팅 전략, 공개 지식 기반을 결합한 온톨로지 학습 파이프라인을 제시하고 그 적용 가능성을 조사했습니다.
이 접근 방식은 프랑스의 사설 전력망 사고 보고서 코퍼스를 대상으로 테스트되었습니다. 연구는 비정형 보고서에서 개체와 관계를 추출하여 RDF 트리플을 생성하고, 관련 OWL 온톨로지를 구축합니다. 이후 외부 지식 소스로 온톨로지를 풍부하게 만들고 품질을 평가한 뒤, 최종적으로 이 스키마에 기반한 완성된 지식 그래프를 구성하는 과정을 거칩니다.
80개의 수동 주석이 달린 사설 보고서 실험 결과, 스키마가 안내하는 프롬프팅(schema-guided prompting)이 정보 추출 품질을 크게 향상시키는 것으로 나타났습니다. 또한, 모델은 성능과 컴퓨팅 비용 사이에서 효과적인 균형점을 제공했습니다. 이 방법론은 로컬 배포가 가능한 오픈소스 LLM과 재사용 가능한 전략을 통해 도메인 특화 텍스트를 온톨로지 기반 지식 그래프로 변환하는 것이 가능함을 입증합니다.
용어 풀이
- 오픈소스
- 소스 코드를 공개해 누구나 보고 고치고 다시 배포할 수 있게 한 소프트웨어.
- LLM
- 방대한 글을 학습해 문장을 이해하고 만들어 내는 AI 모델. ChatGPT, Claude, Gemini가 여기에 속해요.
- 양자화
- 모델 숫자의 정밀도를 낮춰 크기와 메모리 사용을 줄이는 기법. 품질이 조금 떨어질 수 있어요.