과학 문헌은 예전보다 훨씬 빠르게 확장되고 있어, 해당 분야의 지식을 효율적으로 조직하고 접근하는 것이 점점 더 어려워지고 있습니다. 고품질의 과학 분류 체계는 연구 분야의 구조적이고 계층적인 표현을 제공하여 문헌 탐색과 주제 탐색을 용이하게 하고, 추세 분석, 아이디어 생성, 정보 검색 등 하류 응용 프로그램을 가능하게 합니다. 그러나 기존의 분류 체계 생성 방법은 계층적 수준 간 구조적 불일치와 의미적 오정합 (semantic misalignment) 을 겪는 경우가 많습니다. 실증 분석을 통해 이러한 문제들은 대부분 계층적 의미 일관성 (hierarchical semantic consistency) 모델링의 부족에서 비롯됨을 발견했습니다. 이 한계를 해결하기 위해, 대형 언어 모델 (LLMs) 을 계층 인식 정제 단계 (hierarchy-aware refinement stages) 로 활용하여 의미 일관성을 보장하는 의미 일관성 분류 체계 생성 (SC-Taxo) 프레임워크를 제안합니다. 구체적으로 SC-Taxo 는 하향식 추상화 (bottom-up abstraction) 와 상향식 의미 제약 (top-down semantic constraint) 을 동시에 수행하는 양방향 제목 생성 기제를 도입하며, 또한 수평적 일관성을 향상시키기 위해 동료 수준 간 의미 의존성 (peer-level semantic dependencies) 을 추가로 포착합니다. 여러 벤치마크 데이터셋에 대한 실험은 계층 정렬과 제목 품질의 일관된 개선 결과를 보여주며, 중국 과학 문헌에 대한 추가 평가는 그 교차 언어적 일반화 능력의 견고함을 입증했습니다.