경량 그래프 대안으로 일반 DB·하이브리드 검색을 활용한 실무형 지식 그래프 구축 경험 공유

작성자는 자신이 창업자임을 공개하고 실무 구현과 평가 결과를 공유했으며, 커뮤니티 반응은 경량화·운영 비용 절감 측면에서 공감을 얻었다. 일부 참여자는 엔티티 정합화의 어려움과 장기적 유지비용을 이유로 그래프 DB의 이점을 옹호했고, 다른 이들은 동일한 이유로 단순한 대안에 흥미를 보였다. 전반적으로 기술적 구체성(워터폴 정합화, 공출현 top-N, 네 가지 검색 도구) 때문에 실제 적용 가능성을 검토하려는 실무자들의 질문과 요청이 많이 발생했다.

• 기존 인프라(Postgres, MongoDB, Elastic, Qdrant 등)를 우선 활용해 엔티티와 연관 목록을 레코드로 저장하면 그래프 DB 도입 없이도 시각적으로 그래프처럼 보이는 지식 탐색을 구현할 수 있다.
• 엔티티 정합화는 별칭 테이블을 최우선으로 사용하고 임베딩 기반 유사도 검사를 통해 후보를 좁힌 다음에만 저비용 LLM으로 최종 판정을 수행하는 워터폴 방식을 적용하면 비용을 통제할 수 있다.
• 검색 엔진의 집계 기능을 facet 도구로 활용하면 top-k 기반 RAG로는 답할 수 없는 정확한 목록과 카운트를 결정적으로 얻을 수 있으므로 집계형 질의가 중요한 도메인에서는 필수 모듈로 고려해야 한다.

Entity Resolution

— 문서 내에 등장하는 같은 실체를 서로 다른 표기에서 하나로 대응시키는 과정이며, 후보 검색·임베딩 유사도·모호성 판별을 결합해 중복을 줄이고 검색 응답의 일관성을 유지한다. 이 글에서는 별칭 테이블 우선 조회, 임베딩 유사도 검사, 마지막으로 저비용 LLM 판정의 워터폴 흐름으로 비용을 최소화하는 방식으로 적용되었다. 잘못된 병합은 하류에서 오류를 누적시키므로 보수적 병합과 일괄 정합 작업으로 리스크를 관리한다.

Hybrid Vector+Text Search

— 벡터 임베딩 기반 유사도 검색과 전통적 텍스트 검색(키워드·필터·집계)을 결합해 의미적 유사성과 정확한 집계·필터 기능을 동시에 제공하는 방법이다. 이 구현에서는 passage 수준의 하이브리드 검색을 기본 도구로 사용하고, 집계 기반 facet 쿼리로 정확한 목록·카운트를 산출했다. 벡터 조회는 주관적 연결이나 관련성 탐색에 강하고 텍스트 집계는 결정적 리스트·카운트에 강점이 있다.

GraphRAG

— 문서와 엔티티를 정교한 그래프 구조로 인덱싱하여 멀티홉 추론과 글로벌 요약에 유리하도록 만든 RAG(검색 증강 생성)의 확장이다. 원문에서는 GraphRAG가 멀티홉·글로벌 주제 요약에 장점이 있으나 인덱싱 비용과 엔티티 정합화 부담이 크다고 평가되었다. 따라서 복잡한 그래프 DB 대신 경량화된 대안으로 공출현 기반 top-N 목록과 일괄 정합으로 운영비용을 낮추는 접근이 제안되었다.

Co-occurrence

— 문서 집합에서 두 엔티티가 함께 등장하는 빈도를 계산해 연관성을 추정하는 방식으로, 명시적 관계 타입 없이 연관성 목록을 생성한다. 본 사례에서는 그래프 DB의 명시적 관계를 사용하지 않고 각 엔티티 레코드에 top-N 공출현 목록을 저장해 확장 조회에 활용했다. 공출현은 경량 연산과 되돌릴 수 있는 병합 전략과 결합될 때 운영상 이점이 있으나 관계의 유형·원인까지는 제공하지 못한다.