From Symbolic to Natural-Language Relations: Rethinking Knowledge Graph Construction in the Era of Large Language Models

기술 요약: 지식 그래프에서의 기호적 관계에서 자연어 관계로의 전환

문제 정의
전통적인 지식 그래프(Knowledge Graphs, KGs)는 사전 정의된 기호적 관계 스키마에 의존하며, 엔티티 간의 엣지는 이산적이고 범주적인 관계 유형(예: works-at, friend-of)으로 라벨링됩니다. 이러한 패러다임은 LLM 이전의 다운스트림 작업에서는 효율적인 검색, 임베딩 생성, 구조적 추론을 용이하게 하여 운영 측면에서 효과적이었으나, 본질적인 한계를 지닙니다. 현실 세계의 관계는 종종 맥락적이고, 미묘하며, 불확실하고, 진화합니다. 이러한 복잡한 상호작용을 고정된 기호적 라벨로 압축하는 것은 중요한 의미적 세부 사항을 추상화하여, 경직된 기호 스키마와 자연적으로 발생하는 관계의 복잡성 사이의 불일치를 초래합니다. 나아가, 대규모 언어 모델(LLMs)의 등장은 지식 생성 및 소비의 지형을 변화시켰습니다. LLMs는 자연어로 사실을 합성하는 데 탁%월하며, 정량화되고 이산적인 표현보다 맥락이 풍부한 자유 형식의 텍스트를 기반으로 하는 추론을 선호합니다. 현재의 KG 구축 관행은 종-종 LLM을 단순히 기존의 기호적 스키마를 더 효율적으로 채우는 데 사용하는 데 그치고 있으며, 관계의 표현 방식 자체를 재고하기 위해 LLM의 잠재력을 온전히 활용하지 못하고 있습니다.

방법론 및 제안된 프레임워크
본 포지션 페이퍼는 특정 알고리즘이나 새로운 데이터셋을 제안하는 것이 아니라, KG 구축의 근본적인 패러다임 전환을 옹호합니다. 즉, 순수 기호적 관계 범주에서 **자연어 관계 기술(natural-language relation descriptions)**로의 이동을 제안합니다. 저자들은 구조적 사용성과 자연어의 표현력 사이의 균형을 맞추기 위한 일련의 하이브리드 설계 원칙을 제안합니다:

1. 암시적, 태스크 인지적 스키마(Implicit, Task-Aware Schemas): 자연어는 유연성을 제공하지만, 완전히 개방된 관계는 노이즈를 유발하고 검색을 방해할 수 있습니다. 저자들은 특정 목표와 도메인에서 파생된 "암시적" 스키마를 주장합니다. 이러한 스키마는 엄격하고 고정된 온톨로지를 강제하지 않으면서도, 적절한 의미적 범위를 보장하도록 관계 생성을 가이드합니다.
2. 이차적 기호 추론 지원(Support for Secondary Symbolic Inference): 자연어 관계는 고립된 산물여서는 안 됩니다. 다운스트림 작업에서 구조적 쿼리나 집계가 필요할 때 기존의 기호적 범주로 매핑되거나 분류될 수 있도록 설계되어야 합니다. 이는 전통적인 그래프 연산과의 호환성을 보장하는 동시에 미세한 의미적 내용을 보존합니다.
3. 하이브리드 구조적 백본(Hybrid Structural Backbone): 핵심 제안은 효율적인 그래프 순회, 인덱싱 및 검색을 위한 최소한의 일반적이고 도메인 불가지론적인 기호적 관계가 구조적 백본 역할을 하는 하이브리드 아키텍처입니다. 이러한 기호적 앵커(anchors)는 관계의 미묘하고 맥락적이며 진화하는 측면을 포착하는 풍부한 자연어 기술과 함께 제공됩니다. 이 설계는 KG가 전역적인 그래프 구조를 깨뜨리지 않으면서도 (예: 텍스트적 통찰에 따라 관계를 분할하거나 병합함으로써) 진화할 수 있도록 합니다.

주요 기여

• 패러다임 재평가: 본 논문은 LLM이 기존의 기호적 스키마를 채우는 데만 사용되어야 한다는 지배적인 가설에 도전합니다. 대신, 관계의 표현 방식 자체가 LLM의 역량에 맞춰 변화해야 한다고 주장합니다.
• 한계점 식별: 본 논문은 기존 KG의 단점, 즉 사전 정의된 스키마의 경직성, Open Information Extraction(OpenIE) 방식의 정형화 부족, 조립된(coarse-grained) 라벨의 모호성, 그리고 기호적 라벨이 맥락 의존성을 포착하지 못하는 문제 등을 체계적으로 설명합니다.
• 하이브리드 설계 원칙: 자연어를 통해 표현력을 확보하면서도 검색 효율성을 위한 구조적 규칙성을 유지하는 KG 구축을 위한 구체적인 프레임워크를 명시합니다.
• 연구 로드맵: 다음과 같은 실질적인 전환을 실행하기 위해 필요한 구체적인 향후 연구 방향을 제시합니다:
  • 상충하는 관계 기술을 보존하면서 이질적인 소스로부터 KG 구축하기.
  • LLM을 사용하여 기존 KG를 풍부하게 하고(기호적 관계에 자연어 추가), 스키마 자체를 진화시키기.
  • LLM이 의미적 내용에 따라 노드/관계를 동적으로 선택하는 맥락 기반 순회 및 추론 방법 개발하기.
  • 그래프 토폴로지와 미묘한 텍스트 기술을 모두 포착하는 결합된 구조적-의미적 임베딩 방법 개발하기.
  • 트리플(triples)에 대한 전통적인 정밀도/재현율을 넘어 사실적 충실도와 정보 커버리지를 평가하는 새로운 평가 프로토콜(예: LLM-as-a-judge) 수립하기.

결과 및 주장
포지션 페이퍼로서, 본 연구는 제안된 하이브리드 KG를 검증하는 새로운 대규모 실험이나 경험적 결과를 제시하지 않습니다. 대신, 그 "결과"는 개념적이고 분석적입니다:

• 현재의 기호적 패러다임이 자연어 맥락을 통한 추론을 선호하는 현대적 LLM의 추론 메커니즘과 점점 더 어긋나고 있음을 입증합니다.
• 하이브리드 접근 방식이 풍부한 지식 표현을 가능하게 하면서도 효율적인 검색 및 인덱싱에 필요한 구조적 규칙성을 희생하지 않는 실질적인 절충안임을 주장합니다.
• 이러한 전환을 통해 사회적 유대나 도메인 특화된 의존 관계와 같이 범주적 추상화 과정에서 흔히 손실되는 현실 세계 관계의 복잡성을 KG가 더 잘 포착할 수 있다고 주장합니다.

의의
본 논문의 의의는 LLM을 단순한 "효율적인 추출기"로 사용하는 것을 넘어설 것을 촉구하는 데 있습니다. 저자들은 지식 표현에서 LLM의 진정한 잠재력은 밑바탕이 되는 데이터 구조(특히 관계)가 자연어에 친화적으로 재고될 때 비로소 실현된다고 상정합니다. 하이브리드 모델을 옹호함으로써, 저자들은 KG를 "프롬프트 기반 추론" 시대에 정렬할 수 있는 경로를 제공하며, 이를 통해 표현력과 구조적 다루기 쉬움 사이의 필연적인 트레이드오프를 인정하면서도 질의응답, 추론, 추천과 같은 지식 집약적 작업의 성능을 향상시킬 수 있음을 시사합니다. 마지막으로 본 논문은 스스로의 한계, 즉 KG의 관계적 측면에 집중하고 있으며(엔티티 표현은 향후 과제로 남김), 텍스트 중심적이며, 경험적으로 검증된 프로토콜보다는 개념적 가이드를 제공한다는 점을 명시하며 마무리합니다.