법조문 추천을 위한 지식그래프와 대형언어모델 결합

초록

본 논문은 법조문 추천 정확도를 높이기 위해 법조문·판례 정보를 통합한 사례강화법조문 지식그래프(CLAKG)를 구축하고, 이를 기반으로 그래프 임베딩 검색과 KG‑그라운드 LLM 추론을 결합한 폐쇄‑루프 추천 프레임워크를 제안한다. 실험 결과, 기존 베이스라인 대비 정확도가 0.549에서 0.694로 크게 향상되었다.

상세 분석

이 연구는 세 가지 핵심 기술적 기여를 제공한다. 첫째, 법조문과 실제 판결 사례를 동시에 저장할 수 있는 Case‑Enhanced Law Article Knowledge Graph (CLAKG) 를 설계하였다. 스키마는 법조문(LAKG)과 판결 사례(ACKG) 두 서브그래프로 구성되며, 법조문‑조문, 조문‑판례, 판례‑판례 등 다양한 관계를 명시한다. 둘째, LLM을 활용한 자동화된 그래프 구축 파이프라인을 도입해 기존에 수작업으로 진행되던 엔티티 추출·관계 매핑 과정을 크게 축소하였다. 프롬프트 설계 시 “역할 지정”과 “출력 제약”을 명시해 LLM이 생성하는 트리플의 정확성을 확보하고, 후처리 단계에서 규칙 기반 검증을 추가함으로써 오류 전파를 방지한다. 셋째, 폐쇄‑루프 추천 프레임워크를 구현하였다. 사용자가 사건 사실을 입력하면, (1) 그래프 임베딩 기반 검색 모듈이 관련 법조문·유사 사건을 빠르게 후보로 추출하고, (2) LLM‑KG‑그라운드 프롬프트가 이 후보들을 입력으로 받아 법조문을 추천하고 근거를 설명한다. 여기서 LLM은 “Chain‑of‑Verification” 스타일의 다단계 추론을 수행해, 처음 제시된 답변을 검증 질문으로 재검증하고 최종 답변을 수정한다. 이 과정은 Hallucination을 크게 억제한다는 점에서 의미가 크다.

실험은 중국 사법 온라인 판결 데이터셋을 사용했으며, 평가 지표는 정확도(Accuracy)와 F1을 포함한다. 베이스라인으로는 전통적인 텍스트 분류 모델(BERT, GRU, DPCNN)과 기존 RAG 변형(TFIDF‑RAG, Graph‑RAG, Light‑RAG)이 사용되었다. CLAKG와 LLM을 결합한 모델은 정확도 0.694를 기록, 가장 높은 성능을 보였으며, 특히 라벨 불균형이 심한 소수 조문에 대해서도 재현율이 크게 개선되었다. Ablation study에서는 (i) 그래프 임베딩 없이 순수 LLM, (ii) LLM 없이 전통적 검색, (iii) CLAKG 없이 기존 RAG를 각각 제거했을 때 성능이 현저히 떨어지는 것을 확인해 각 구성 요소의 기여도를 입증하였다.

또한, 인간‑기계 협업 루프를 통해 법조문 추천 결과를 전문가가 검증·수정하고, 수정된 정보를 다시 CLAKG에 반영함으로써 지속적인 그래프 업데이트와 모델 개선이 가능하도록 설계하였다. 이는 법령 개정·판례 추가 등 법률 환경 변화에 대한 적응성을 높인다.

전반적으로 이 논문은 지식그래프와 대형언어모델을 결합한 하이브리드 접근법이 법조문 추천이라는 고정밀·고신뢰 작업에 적합함을 실증적으로 보여준다. 특히, KG‑grounded 프롬프트와 폐쇄‑루프 피드백 메커니즘은 LLM의 hallucination 문제를 실용적인 수준으로 완화시키는 전략으로 주목할 만하다.