그래프 기반 대형 언어 모델로 담배 해충·질병 관리 혁신

초록

본 논문은 담배 해충·질병 관리에 특화된 지식 그래프와 GraphRAG 기법을 결합해, ChatGLM 기반 대형 언어 모델에 구조화된 관계 증거를 제공함으로써 다중 홉 추론과 비교 질문에서 정확도를 크게 향상시키는 프레임워크를 제안한다.

상세 분석

본 연구는 농업 분야, 특히 담배 작물의 해충·질병 진단과 방제 의사결정에 필요한 복합적인 관계 정보를 효과적으로 활용하기 위해 그래프 기반 증거와 대형 언어 모델(LLM)의 결합을 시도한다. 먼저, 논문은 기존의 텍스트 기반 Retrieval‑Augmented Generation(RAG) 방식이 관계를 명시적으로 모델링하지 못해 다중 홉 추론에 취약함을 지적한다. 이를 보완하기 위해 GraphRAG를 기반으로 도메인 특화 지식 그래프를 구축한다. 그래프는 질병, 증상, 살충제, 방제 조치 등 네 가지 핵심 엔터티와 ‘has‑symptom’, ‘treated‑by’, ‘prevention‑of’ 등 타입화된 관계를 포함하며, 모든 사실을 (head, relation, tail) 삼중항 형태로 저장한다.

임베딩 단계에서는 TransE를 이용해 엔터티와 관계를 동일 차원의 벡터 공간에 매핑한다. TransE는 관계를 벡터 평행 이동으로 모델링해 h + r ≈ t 를 만족하도록 학습하며, 마진 기반 랭킹 손실을 통해 긍정·부정 삼중항을 구분한다. 이렇게 얻은 저차원 임베딩은 그래프 구조를 반영하지 못한다는 한계를 보완하기 위해 2‑layer GCN으로 정제한다. GCN은 인접 노드의 표현을 정규화된 가중합으로 전달하며, 다중 레이어를 쌓아 다중 홉 이웃 정보를 집계한다. 결과적으로 각 노드는 자체 속성뿐 아니라 주변 증상·방제 정보까지 포함한 풍부한 컨텍스트를 갖게 된다.

LLM 통합 부분에서는 ChatGLM을 Transformer 백본으로 채택하고, 파라미터 효율성을 위해 LoRA(Low‑Rank Adaptation)를 적용한다. 질의가 들어오면 GraphRAG 모듈이 질의와 연관된 엔터티를 식별하고, 해당 엔터티의 TransE + GCN 표현을 추출한다. 이 벡터는 질의 임베딩과 연결(concatenation)되어 ‘g_input’ 형태로 LLM 입력에 추가된다. 이렇게 하면 LLM은 자체 파라미터 메모리뿐 아니라 외부 그래프 증거에 직접 접근해 토큰‑레벨 어텐션을 수행한다. 증거 토큰은 “증상‑질병‑방제”와 같은 관계 경로를 자연어 형태로 변환해 프롬프트에 삽입되며, 모델은 이를 기반으로 답변을 생성한다.

실험 설계는 담배 해충·질병 QA 데이터셋을 구축하고, (1) ChatGLM 단독, (2) KGE(TransE) + ChatGLM, (3) 기존 텍스트 RAG, (4) GraphRAG + ChatGLM 네 가지 설정을 비교한다. 평가 지표는 Accuracy, Precision, Recall, F1을 사용한다. 결과는 Table 1에 요약돼 있는데, GraphRAG+ChatGLM이 전체적으로 90.1%의 정확도와 92.3%의 정밀도를 달성해 가장 높은 성능을 보인다. 특히 다중 홉 및 비교 질문에서 성능 격차가 두드러져, 그래프 기반 증거가 관계 추론에 결정적 역할을 함을 확인한다. 오류 분석에서는 그래프에 누락된 엔터티·관계와 질의의 모호성이 주요 원인으로 지적된다.

한계점으로는 지식 그래프 구축 비용, 엔터티 매칭 정확도, 그리고 현재는 단순한 벡터 연결 방식을 사용해 LLM과 그래프를 결합한 점을 들 수 있다. 향후 연구에서는 그래프 규모 확대, 더 깊은 GNN(예: GAT, RGCN) 적용, 그리고 라벨링된 경로를 직접 LLM에 주입하는 프롬프트 설계 등으로 증거 활용 효율을 높일 계획이다. 전체적으로 본 논문은 도메인 특화 그래프와 LLM을 결합해 농업 의사결정 지원 시스템의 신뢰성과 정확성을 크게 향상시킬 수 있음을 실증한다.