그래프 기반 다중 리트리버와 단일 리트리버를 활용한 검색증강생성 모델 간 정량적 성능 비교 연구 = A Quantitative Performance Comparison Study Between Graph-Based Multi-Retriever and Single-Retriever RAG Models

국문 초록 (Abstract)

본 연구는 대규모 언어모델 의 최신 정보 반영 한계와 도메인 (Large Language Model, LLM) 지식 부족 문제를 보완하기 위한 검색증강생성 구조(Retrieval-Augmented Generation, RAG) 의 성능 차이를 정량적으로 검증하고자 한다 기존 검색증강생성 모델은 단일 리트리버. 에 의존하여 복합적 지식원이 동시에 요구되는 질의에서 문맥 누락이나 정(single retriever) 보 편중이 발생할 수 있다는 한계를 지닌다 이에 본 연구는 기반의 그래프 구. LangGraph 조를 활용하여 질의 특성에 따라 다양한 리트리버를 선택 조합할 수 있는 그래프 기반 다, · 중 리트리버 모델을 구현하였다(Graph-based Multi-Retriever) . 실증 분석은 개인정보보호법 과 소비자분쟁해결기준 두 도메인을 대상으로 수행되「 」 「 」 었으며 단일 리트리버와 다중 리트리버를 각각 구축한 후 , RAGAS(Retrieval-Augmented 의 와 지표를 이용해 응답 품질을 비Generation Assessment) Answer Relevance Faithfulness 교하였다 또한 본 연구는 단순 평가에 그치지 않고 부트스트랩 신뢰구간과 . RAGAS Mann– 검정을 병행함으로써 구조 간 성능 차이가 우연한 변동이 아니라 통계적으로 Whitney U , 재현 가능한 실제 효과임을 명확히 입증하였다 분석 결과 그래프 기반 다중 리트리버는 . , 두 도메인 모두에서 가 통계적으로 유의하게 향상되어 질의 문맥 응답 간 Answer Relevance – – 의미적 연결성이 강화된 것으로 나타났다 는 일부 도메인에서만 단일 리트리버. Faithfulness 가 근소한 우위를 보였으나 전반적으로 두 구조는 유사한 근거 일관성을 유지하였다 이러, . 한 결과는 그래프 기반 구조가 응답 적합도를 높이면서도 근거의 충실성을 유지할 수 있는 효율적 설계임을 시사한다 본 연구는 단일 리트리버 중심의 기존 검색증강생성 구조를 넘. 어 문서 간 연관성을 반영한 구조적 리트리버 설계가 실제 사례형 질의응답에서 안정적 성, 능 향상으로 이어질 수 있음을 실증적으로 확인했다는 점에서 중요한 의의를 갖는다 아울. 러 그래프 구조의 고도화와 다양한 전문 도메인으로의 확장은 향후 신뢰성 높은 검색증강 생성 모델 개발에 의미 있는 기반이 될 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Large Language Models (LLMs) demonstrate strong performance across natural language processing tasks but remain limited in reflecting up-to-date information and domain-specific knowledge. Retrieval-Augmented Generation (RAG) mitigates these issues; however, most systems rely on a single retriever, which can cause context omission or information bias when heterogeneous knowledge sources are needed. To address this, this study implements a graph-based multi-retriever architecture using the LangGraph framework, enabling dynamic selection and combination of retrievers based on query characteristics. Experiments were conducted on two domains the Personal Information Protection Act and the — Consumer Dispute Resolution Standards. Single-retriever and multi-retriever models were built, and answer quality was assessed using the Answer Relevance and Faithfulness metrics from RAGAS. Bootstrap confidence intervals and the Mann Whitney U test were additionally applied for secondary statistical validation. – Results show that the graph-based multi-retriever significantly improves Answer Relevance across both domains, while Faithfulness remains largely comparable. These findings indicate that structurally integrating document relationships and multiple retrievers provides stable and meaningful performance gains beyond conventional single-retriever RAG architectures. The proposed approach offers an empirical foundation for developing reliable, domain-adaptive retrieval-augmented generation systems suited to complex knowledge environments.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• 1.1 연구 배경 1
• 1.2 연구 목적 및 연구 문제 3
• 1.2.1 연구 목적 3
• 1.2.2 연구 문제 3
• Ⅱ. 이론적 배경 4
• 2.1 대규모 언어모델의 개념과 한계 4
• 2.1.1 대규모 언어모델의 발전과 응용 4
• 2.1.2 대규모 언어모델의 한계 5
• 2.2 대규모 언어모델의 성능 보완 기법 6
• 2.2.1 미세조정(Fine-tunning) 6
• 2.2.2 검색증강생성(Retriever-Augmented Generation, RAG) 8
• 2.3 리트리버 의 구조와 활용 (Retriever) 11
• 2.3.1단일 리트리버의 구조와 한계 11
• 2.3.2 다중 리트리버의 구조와 한계 12
• 2.4 검색증강생성의 정량적 평가 15
• 2.4.1 기존 자연어생성 평가 방법 15
• 2.4.2 RAGAS(Retrieval-Augmented Generation Assessment) 17
• Ⅲ. 연구 방법 19
• 3.1 연구모형 19
• 3.2 연구가설 20
• 3.3 리트리버 모형 설계 및 구현 21
• 3.3.1 모델 공통 요소 21
• 3.3.2 단일 리트리버 모형 23
• 3.3.3 그래프 기반 다중 리트리버 모형 25
• 3.4 측정도구 및 자료분석 방법 27
• 3.4.1 정량적 평가지표 27
• 3.4.2 통계적 검증방법 29
• Ⅳ. 연구 결과 33
• 4.1 평가지표 결과 RAGAS 33
• 4.2 정규성 검정(Shapiro-wilk) 35
• 4.3 집단 내 검정 결과 부트스트랩 신뢰구간 36
• 4.4 집단 간 검정 결과(Mann-Whitney U) 38
• Ⅴ. 결론 및 제언 39
• 5.1 결론 39
• 5.2 한계 및 제언 40
• 참고문헌 42
• 부록 46