지식 그래프 기반 멀티홉 검색을 위한 쿼리 인식 확산 활성화 (Query-Aware Spreading Activation)

지식 그래프(Knowledge Graphs)를 기반으로 구축된 검색 증강 생성(Graph RAG)은 그래프 구조를 활용함으로써 멀티홉(multi-hop) 질의응답에서 평면적인 문단 검색(flat passage retrieval)보다 뛰어난 성능을 보입니다. 그러나 대부분의 기존 시스템에서는 질문이 시드 노드(seed nodes)를 설정하는 역할만 할 뿐, 이후의 탐색(traversal)은 그래프 구조에만 의존하는 "쿼리 맹목적(query-blind)" 방식이 됩니다. 예외적으로 QAFD-RAG는 에지 재가중치(edge re-weighting)를 결합한 흐름 확산 솔버(flow-diffusion solver)를 통해 쿼리 인식 탐색을 구현합니다. 하지만 이 아키텍처는 전체 그래프를 Python 메모리에 로드해야 하며, 반복 횟수가 가변적인 반복적 솔버(iterative solver)를 사용하기 때문에 그래프 데이터베이스와의 통합이 복잡합니다. 본 논문에서는 매 단계마다 단일 시맨틱 게이트(semantic gate)를 사용하는 확산 활성화(spreading-activation) 방법을 제안합니다. 이 방식에서 단계별 가중치는 후보 엔티티(entity)의 설명과 질문 사이의 코사인 유사도(cosine similarity)이며, 반복 횟수는 고정됩니다. 시드 매핑(seed mapping), 전파(propagation), Top-K 선택 및 컨텍스트 조립(context assembly)을 포함한 전체 검색 절차는 Neo4j로의 단 한 번의 왕복(round-trip)으로 실행되는 단일 Cypher 쿼리로 표현되므로, 그래프가 데이터베이스를 벗어나지 않습니다. MuSiQue 데이터셋에서 우리 방법은 QAFD-RAG와 정확히 일치하는 성능(32.80 대 33.50)을 보였으며, 비교 대상 중 가장 강력한 순수 구조적 베이스라인인 HippoRAG보다 EM(Exact Match) 기준 5.3, F1 기준 3.4만큼 앞서는 성능을 기록했습니다. 2WikiMultiHopQA에서는 HippoRAG와 QAFD-RAG가 그들의 구절-노드(phrase-node) 아키텍처 덕분에 우위를 유지했습니다. 게이트를 비활성화한 절제 연구(ablation)를 통해, 게이트가 F1 점수를 3.6에서 7.4포인트 동시에 향상시키고 검색 지연 시간(retrieval-latency)을 1.5배에서 4.9배까지 단축시키는 핵심 요소임을 확인했습니다.