대규모 소프트웨어 시스템을 효과적으로 유지 관리하기 위해서는 아키텍처를 이해하는 것이 매우 중요합니다. 그러나 설계된 아키텍처와 구현된 아키텍처 사이에는 종종 불일치가 존재하며, 이는 상당한 위험을 초래할 수 있습니다. 이러한 불일치를 식별하기 위해 아키텍트들은 시스템 구현으로부터 아키텍처를 추출해야 하는데, 이는 시간 소모적이며 오류가 발생하기 쉽습니다. 이 절차를 단순화하기 위해 많은 자동 아키텍처 복구 (Architecture Recovery) 기술들이 개발되었습니다. 하지만 이들의 정확도는 종종 제한적입니다. 아키텍트들은 복구된 결과가 구현된 아키텍처를 정확하게 반영하도록 보장하기 위해 여전히 복구 결과를 정제하는 데 상당한 노력을 기울여야 합니다. 이러한 수동 노력을 줄이기 위해, 우리는 기존 아키텍처 복구 도구에 의해 복구된 아키텍처를 자동으로 정제하기 위해 LLM (Large Language Models)과 의존성 분석 (Dependency Analysis)을 결합한 프레임워크인 Semref를 소개합니다. LLM의 의미론적 이해 (Semantic Understanding) 능력을 활용하고 구조적 의존성을 통합함으로써, Semref는 복구된 아키텍처의 정확성과 이해도를 모두 향상시킵니다. Semref를 평가하기 위해, 우리는 공개된 정답 (Ground-truth) 아키텍처가 있는 9개의 프로젝트와 10개의 최신 아키텍처 복구 도구를 대상으로 테스트를 수행했습니다. Semref의 효과를 평가하기 위해 5가지의 흔히 사용되는 지표가 채택되었습니다. 결과에 따르면 Semref는 다양한 지표에 걸쳐 정확도를 향상시키며, 정규화된 이득 (Normalized Gains)은 17.72%에서 43.35% 사이로 나타났습니다. 구체적으로, MoJoFM 및 $a2a_{adj}$ 지표의 경우, Semref는 각각 118.57%와 100.41%의 상대적 개선을 달성했습니다.