의원의 이념적 위치를 근사하는 것은 정치학에서 근본적인 과제이며, 연구자들이 입법 행위, 정당 정렬, 정책 선호도를 이해하는 데 도움을 줍니다. 대규모 언어 모델 (LLMs) 은 의원들의 이념적 입장을 추정하는 데 유망한 결과를 보였으나, 의회 시스템에는 더 많은 행위자 및 요소와 그들 사이의 관계가 있으며, 이는 더 넓고 정보량이 풍부한 그림을 제공할 수 있습니다. 그러나 이러한 추가 요소를 예측 작업에 통합하는 복잡성 때문에 일반적으로 무시됩니다. 본 연구에서는 정치 지식 그래프 (KG) 를 쿼리한 후 이를 컨텍스트에 통합하는 검색 증강 생성 (RAG) 파이프라인을 구현하는 PG-RAG 라는 LLM 프레임워크를 제안합니다. 이는 텍스트적 의미와 의원 간 관계를 모두 포착할 수 있게 하며, 이는 의회 시스템에서 또 다른 관련 정보 원천입니다. 우리는 스위스 의회 데이터셋 데이터를 사용하여 이념 예측 작업에 접근성을 평가했습니다. 그래프 증강 모델을 여러 최첨단 베이스라인과 비교했을 때, 결과적으로 엔티티 및 관계에 대한 정보를 인코딩하는 이러한 풍부한 정보를 통합하면 예측 성능이 개선됨을 보여줍니다. 이러한 결과는 정치 행동을 모델링할 때 도메인 특화 관계적 정보의 가치를 강조하는 데 도움이 됩니다.