인용 그래프(Citation graphs)는 과학적 구조를 모델링하는 데 있어 필수적인 도구이지만, 과학적으로 연결된 논문들의 인용이 누락됨에 따라 종종 파편화되는 문제가 발생합니다. 이 문제를 해결하기 위해, 우리는 인용 토폴로지(citation topology)와 대규모 언어 모델(LLM) 기반의 텍스트 유사성을 통합하는 계산 효율적인 하이브리드 프레임워크를 제안합니다. 수학(Mathematics) 및 운영 연구 및 경영 과학(Operations Research & Management Science) 분야의 Web of Science 출판물 662,369개를 사용하여, 우리는 작고 분리된 구성 요소들로부터 의미론적 에지(semantic edges)를 추가하고 텍스트 유사성에 따라 기존 인용에 가중치를 부여함으로써 원래의 그래프를 증강합니다. 의미론적 증강(Semantic augmentation)은 학문적 동질성(disciplinary homogeneity)을 유지하면서 파편화를 실질적으로 감소시킵니다. 임베딩 전용 클러스터링(embedding-only clustering)과 비교했을 때, Leiden 알고리즘을 사용하여 증강된 그래프에서 수행된 클러스터 탐지(cluster detection)는 구조적 해석 가능성(structural interpretability)을 유지하면서도 다중 스케일 조직화(multi-scale organization)를 제공합니다. 이 방법은 대규모 데이터셋으로 효율적으로 확장 가능하며, 학문적 경계를 무너뜨리지 않으면서 인용 기반 지표를 강화할 수 있는 실질적인 전략을 제공합니다.