LLM이 다시 쓰는 지식 그래프 구축: 온톨로지부터 융합까지 한눈에 정리

논문 개요와 전체 구조

지식 그래프(Knowledge Graph, KG)는 오랫동안 구조화된 지식의 표현과 추론을 위한 기초 인프라 역할을 해 왔습니다. 시맨틱 검색, 질의응답, 과학적 발견 같은 지능형 응용의 토대가 바로 KG입니다. 그러나 전통적인 KG 구축 파이프라인은 온톨로지 엔지니어링(Ontology Engineering, OE) → 지식 추출(Knowledge Extraction, KE) → 지식 융합(Knowledge Fusion, KF) 으로 이어지는 3계층 구조이며, 저자는 이 방식이 세 가지 고질적 한계를 안고 있다고 진단합니다. 첫째는 확장성과 데이터 희소성(scalability and data sparsity) 으로, 규칙 기반·지도학습 시스템이 도메인을 넘어 일반화되지 못한다는 점입니다. 둘째는 전문가 의존성과 경직성(expert dependency and rigidity) 으로, 스키마와 온톨로지 설계가 사람의 개입을 과도하게 요구한다는 점입니다. 셋째는 파이프라인 분절(pipeline fragmentation) 로, 단계가 끊겨 있어 오류가 누적 전파(cumulative error propagation)된다는 점입니다.

이 서베이(arXiv:2510.20345, ICAIS 2025)는 대규모 언어 모델(Large Language Model, LLM)이 이 3계층 구조를 어떻게 재편하는지를 "규칙 기반·통계적 파이프라인에서 언어 기반·생성형 프레임워크로의 패러다임 전환"이라는 관점에서 체계적으로 정리합니다. 저자는 LLM이 가능케 하는 세 가지 핵심 메커니즘을 제시하는데, 생성형 지식 모델링(generative knowledge modeling) 으로 비정형 텍스트에서 구조화된 표현을 직접 합성하고, 의미 통합(semantic unification) 으로 자연어 그라운딩을 통해 이종(heterogeneous) 지식 소스를 통합하며, 지시 기반 오케스트레이션(instruction-driven orchestration) 으로 프롬프트 상호작용을 통해 복잡한 KG 구축 워크플로를 조율한다는 것입니다.

이 서베이를 관통하는 일관된 분석 축은 두 개의 상보적 패러다임입니다. 하나는 구조·정규화·일관성을 강조하는 스키마 기반(schema-based) 패러다임이고, 다른 하나는 유연성·적응성·개방형 발견을 강조하는 스키마 프리(schema-free) 패러다임입니다. 각 구축 단계마다 저자는 대표 프레임워크를 종합하고, 그 기술적 메커니즘을 분석하며, 한계를 식별합니다. 논문의 전체 구성은 아래와 같습니다.

이 표가 논문 전체를 읽는 지도입니다. 섹션 2가 LLM 이전의 배경을 깔아 주고, 섹션 3·4·5가 전통적 3계층(온톨로지·추출·융합)을 LLM 관점에서 차례로 재구성하며, 섹션 6이 향후 방향을 전망하는 구조입니다.

핵심 기여와 혁신성

해결하려는 문제의 중요성. 검색 증강 생성(Retrieval-Augmented Generation, RAG)을 한 번이라도 다뤄 본 분이라면 벡터 검색만으로는 다중 홉 추론이나 사실 일관성 검증에 한계가 있다는 점을 느끼셨을 것입니다. 그 대안으로 다시 주목받는 것이 KG이지만, KG 구축 비용이 만만치 않습니다. 전통적 파이프라인이 안고 있는 확장성·전문가 의존성·파이프라인 분절이라는 세 한계는 자기 진화형(self-evolving)·대규모·동적 KG의 발전을 가로막아 왔습니다.

기존 접근법의 한계. 저자는 LLM 이전의 OE가 강한 인간 감독과 제한된 확장성으로 특징지어졌고, KE는 데이터 희소성과 약한 일반화에 발목 잡혔으며, KF는 의미적 이질성과 대규모 통합·동적 갱신에서 어려움을 겪었다고 정리합니다. 즉 세 단계 각각이 독립적으로도 병목이었고, 그 단계들이 분절되어 오류가 누적된다는 점이 더 큰 문제였습니다.

제안 해결책의 독창성. 이 서베이의 독창성은 새로운 알고리즘이 아니라 분류 체계(taxonomy) 에 있습니다. 저자는 LLM 기반 KG 구축 연구 전체를 스키마 기반 vs 스키마 프리 라는 단일 축으로 가르고, 이를 온톨로지·추출·융합 세 단계 모두에 일관되게 적용합니다. 이 두 축은 각각 "구조·정규화·일관성"과 "유연성·적응성·개방형 발견"을 대표하며, 서로 상보적입니다. 동시에 온톨로지 단계에서는 톱다운(top-down, LLMs as ontology assistants) 과 보텀업(bottom-up, KGs for LLMs) 이라는 또 하나의 축을 도입해, "LLM을 위한 온톨로지 엔지니어링"에서 "LLM을 위한 온톨로지·KG"로 시각이 역전되는 흐름을 포착합니다.

예상 파급효과. 저자는 LLM이 단순한 텍스트 처리 도구를 넘어, 자연어와 구조화된 지식을 매끄럽게 잇는 인지 엔진(cognitive engine) 으로 진화하고 있다고 봅니다. 이 서베이는 상징적 지식 공학(symbolic knowledge engineering)과 신경망 기반 의미 이해(neural semantic understanding)를 연결하여, 적응적이고 설명 가능하며 지능적인 지식 시스템으로 나아가는 길을 제시하는 데 목적이 있습니다.

기술적 세부사항

이 논문은 자체 실험이나 정량 벤치마크가 없는 단일 저자(Haonan Bian, Xidian University)의 분류·종합형 서베이 입니다. 따라서 기술적 세부는 알고리즘 구현이 아니라, 인용된 대표 프레임워크들을 어떤 축으로 분류하고 비교하는가에 있습니다. 핵심 분류 체계를 정리하면 다음과 같습니다.

두 패러다임의 성격 대비는 아래 표가 명료하게 보여 줍니다.

이 논문에는 LaTeX로 표기할 만한 수식이 등장하지 않습니다. 저자가 다루는 대상이 구체적 손실 함수나 알고리즘 수식이 아니라, 프레임워크 간의 개념적 관계와 발전 궤적이기 때문입니다. 따라서 본 리뷰에서도 수식을 억지로 도입하지 않고, 각 프레임워크의 메커니즘을 서술로 풀어 설명합니다. 평가 방법 또한 서베이 자체에는 없고, 인용된 개별 연구가 보고한 정성적 평가(예: "LLM 출력이 주니어 인간 모델러 수준의 일관성에 근접")를 소개하는 수준입니다. 재현성 측면에서, 이 서베이는 코드나 데이터셋을 공개하지 않으며 인용 문헌의 메타데이터(arXiv ID·DOI·URL)를 풍부하게 제공하므로, 독자가 원 프레임워크의 구현체를 추적할 수 있도록 안내하는 역할을 합니다.

챕터별 상세 리뷰

여기서부터는 논문의 섹션 순서를 그대로 따라가며, 각 섹션 안에서 저자가 전개한 서술 순서를 보전하여 정리합니다. 이 부분이 본 리뷰의 본체입니다.

📖 Chapter 1: Introduction (서론)

챕터의 위치와 역할. 서론은 전체 서베이의 문제의식과 분석 틀을 세우는 장입니다. 전통적 KG의 한계를 짚고, LLM이 왜 전환점인지를 제시하며, 이후 섹션들이 어떤 순서로 전개될지 예고합니다.

저자는 먼저 KG가 시맨틱 검색·질의응답·과학적 발견의 통합 의미 기반(unified semantic foundation)을 제공해 왔음을 상기시킵니다. 그리고 전통적 KG 구축이 온톨로지 엔지니어링·지식 추출·지식 융합 의 세 구성요소로 이루어진다고 정의합니다.

이어서 전통적 패러다임의 세 가지 지속적 도전을 제시합니다.

1. 확장성과 데이터 희소성: 규칙 기반·지도 시스템이 도메인 간 일반화에 실패합니다.
2. 전문가 의존성과 경직성: 스키마·온톨로지 설계가 상당한 인간 개입을 요구하고 적응성이 부족합니다.
3. 파이프라인 분절: 구축 단계가 따로 처리되어 오류가 누적 전파됩니다.

다음으로 LLM이 이 병목을 돌파하는 세 가지 메커니즘을 소개합니다. 생성형 지식 모델링 으로 비정형 텍스트에서 구조를 직접 합성하고, 의미 통합 으로 이종 소스를 자연어 그라운딩으로 통합하며, 지시 기반 오케스트레이션 으로 프롬프트 기반 상호작용을 통해 워크플로를 조율한다는 것입니다. 그 결과 LLM은 텍스트 처리 도구를 넘어 자연어와 구조화 지식을 잇는 인지 엔진으로 진화하고 있다고 저자는 봅니다. 이는 규칙 주도·파이프라인 기반 시스템에서 LLM 주도·통합·적응형 프레임워크로의 패러다임 전환을 의미하며, 지식의 획득·조직·추론이 생성적이고 자기 정제적인 생태계 안에서 상호 의존적 과정으로 떠오른다고 설명합니다.

서론 말미에서 저자는 섹션 2~6의 구성을 명시합니다. 섹션 2는 LLM 이전의 전통적 방법론, 섹션 3은 LLM 강화 온톨로지 구축(톱다운·보텀업), 섹션 4는 LLM 주도 지식 추출(스키마 기반·프리), 섹션 5는 LLM 기반 지식 융합(스키마 레벨·인스턴스 레벨·하이브리드), 섹션 6은 향후 방향을 다룹니다.

챕터의 핵심 기여. 전통적 3계층의 세 한계와 LLM의 세 메커니즘을 대응시켜, 이후 모든 논의를 "전환"이라는 프레임으로 묶었습니다.

다음 챕터로의 연결. LLM 이전 방법론을 회고하는 섹션 2가, 이 전환의 "이전" 상태를 구체화하는 배경 역할을 합니다.

📖 Chapter 2: Preliminaries (예비 지식)

챕터의 위치와 역할. LLM 이전 시대의 온톨로지·추출·융합 방법론을 간략히 회고하여, 뒤이은 LLM 기반 논의의 비교 기준선을 제공하는 장입니다. 전통적 3계층을 그대로 세 소절로 나누어 서술합니다.

2.1 온톨로지 엔지니어링

OE는 도메인 개념·관계·제약의 형식적 명세를 다룹니다. LLM 이전에는 온톨로지가 주로 도메인 전문가에 의해 수작업으로 구성되었고, Protégé 같은 시맨틱 웹 도구와 METHONTOLOGY, On-To-Knowledge 같은 정립된 방법론의 지원을 받았습니다. 이 과정들은 개념적 엄밀성과 논리적 일관성을 강조했으나 광범위한 전문가 개입을 요구했습니다. 저자는 Zouaq & Nkambou(2010)를 인용하여 이 시기의 온톨로지 설계가 강한 인간 감독과 제한된 확장성으로 특징지어졌다고 정리합니다. 이후 텍스트 코퍼스에서 온톨로지 구조를 도출하려는 반자동 접근, 즉 온톨로지 학습(ontology learning) 이 등장했으나(Asim et al., 2018), NeOn 같은 진보된 프레임워크조차 온톨로지 진화·모듈 재사용·동적 적응에 어려움을 겪었습니다. Kotis et al.(2020)이 지적하듯 전통적 OE는 정밀성과 형식적 건전성을 제공했지만, 대규모·지속 진화 도메인에 필요한 유연성과 효율성이 부족했습니다.

2.2 지식 추출

KE는 비정형·반정형 데이터에서 엔터티·관계·속성을 식별하는 것을 목표로 합니다. 초기 접근은 수작업 언어 규칙과 패턴 매칭에 의존했는데, 해석 가능성은 있었으나 취약하고 도메인 종속적이었습니다. 상징적·규칙 기반 시스템에서 통계적·신경망 방법으로의 진화는 Pai et al.(2024)이 정리했습니다. BiLSTM-CRF와 Transformer 기반 모델 같은 딥러닝 아키텍처의 등장은 데이터 주도 특징 학습으로의 전환을 의미했고(Yang et al., 2022b), Detroja et al.(2023)은 관계 추출을 지도·약지도·비지도 패러다임으로 범주화하며 이들이 주석 데이터에 의존하고 도메인 간 일반화가 제한적임을 강조했습니다. 요컨대 전통적 KE는 현대 추출의 기술적 토대를 놓았으나, 데이터 부족·약한 일반화·오류 누적 전파에 제약되었고, 이것이 후속 LLM 기반 패러다임을 추동했습니다.

2.3 지식 융합

KF는 이종 지식 소스를 중복·충돌·이질성 해소를 통해 일관된 그래프로 통합하는 것에 집중합니다. 핵심 하위 과제는 엔터티 정렬(entity alignment) 으로, 서로 다른 데이터셋의 엔터티가 동일한 실세계 객체를 가리키는지를 판별합니다. 고전적 접근은 어휘적·구조적 유사도 측정에 의존했고(Zeng et al., 2021), 표현 학습(representation learning)의 도입으로 엔터티를 공유 벡터 공간에 정렬하는 임베딩 기반 기법이 가능해져 확장성과 자동화가 개선되었습니다(Zhu et al., 2024a). Yang et al.(2022a)은 구조·속성·관계 유사도를 결합한 다중 특징 융합 전략을, Liu et al.(2022)은 의미 단서를 통합해 정렬 강건성을 높인 그래프 수준 모델을 보여 줍니다. 그럼에도 전통적 융합 파이프라인은 의미적 이질성, 대규모 통합, 동적 지식 갱신에서 계속 어려움을 겪었으며, 이것이 현대 LLM 기반 융합 프레임워크가 해결하려는 지점입니다.

챕터의 핵심 기여. 세 단계 각각의 전통적 방법론과 그 한계를 압축적으로 제시하여, 이후 LLM 기반 접근이 무엇을 개선하는지를 가늠할 기준선을 마련했습니다.

다음 챕터로의 연결. 저자는 그림 1(Taxonomy of LLM for KGC)로 전체 분류 체계를 시각화한 뒤, 첫 단계인 온톨로지 구축으로 넘어갑니다.

📖 Chapter 3: LLM-Enhanced Ontology Construction (LLM 강화 온톨로지 구축)

챕터의 위치와 역할. LLM이 OE에 도입한 근본적 패러다임 전환을 다루는 장입니다. 저자는 현재 연구가 두 상보적 방향으로 나뉜다고 봅니다. 하나는 LLM을 형식 온톨로지 모델링의 지능형 어시스턴트로 활용하는 톱다운 이고, 다른 하나는 온톨로지 구축으로 LLM 자신의 추론·표현 능력을 강화하는 보텀업 입니다.

3.1 톱다운: LLM을 온톨로지 어시스턴트로

톱다운 패러다임은 시맨틱 웹과 지식 공학의 전통을 잇습니다. LLM은 전문가가 역량 질문(Competency Question, CQ)·유저 스토리·도메인 기술 같은 자연어 명세를 OWL 등 형식 온톨로지로 번역하도록 돕는 고급 공동 모델러(co-modeler)가 됩니다. 이 패러다임은 개념적 추상화, 관계의 정밀한 정의, 구조화된 의미 표현을 우선하여, 후속 지식 추출과 인스턴스 채우기가 잘 정의된 논리 제약을 따르도록 보장합니다.

3.1.1 CQ 기반 온톨로지 구축. CQ 기반 방법은 요구사항 주도의 자동 온톨로지 모델링 경로입니다. LLM이 CQ나 유저 스토리를 파싱하여 도메인 개념·속성·관계를 식별·범주화·형식화합니다. 선구적 프레임워크인 Ontogenia(Lippolis et al., 2025a)는 메타인지 프롬프팅(Metacognitive Prompting) 을 도입해 모델이 합성 중 자기 성찰과 구조 교정을 수행하게 했고, 온톨로지 설계 패턴(Ontology Design Patterns, ODPs) 을 결합해 생성 온톨로지의 일관성과 복잡성을 함께 높였습니다. CQbyCQ(Saeedizade & Blomqvist, 2024)는 LLM이 CQ와 유저 스토리를 OWL 호환 스키마로 직접 변환할 수 있음을 보여, 요구사항에서 구조적 온톨로지 모델로의 전환을 자동화했습니다. 이를 발전시켜 Lippolis et al.(2025b)은 두 가지 상보적 프롬프팅 전략을 제안했는데, 모듈 구축을 위한 "무기억(memoryless)" 방식과 Ontogenia에서 영감받은 성찰적 반복 방식입니다. 실험적으로 LLM이 클래스·객체 속성·데이터 속성을 자율 식별하고, 대응하는 논리 공리(axiom)를 주니어 인간 모델러에 필적하는 일관성 으로 생성함이 드러났습니다. 이러한 연구들은 CQ 정식화·검증부터 온톨로지 인스턴스화까지 전체 생애주기를 아우르되 전문가가 핵심 체크포인트에서만 개입하는 반자동 파이프라인으로 이어졌고, LLM을 수동적 분석 도구에서 능동적 모델링 협력자로 전환시켰습니다.

3.1.2 자연어 기반 온톨로지 구축. CQ 주도를 넘어, 자연어 기반 구축은 명시적으로 정식화된 질문에 의존하지 않고 비정형·반정형 텍스트 코퍼스에서 의미 스키마를 직접 유도하려 합니다. 목표는 LLM이 자연어로부터 개념 계층과 관계 패턴을 자율적으로 발견하여, 텍스트 기술에서 형식 논리 표현으로의 직접 매핑을 달성하는 것입니다. Saeedizade & Blomqvist(2024)와 Lippolis et al.(2025b)의 기초 연구는 GPT-4의 성능을 평가하여 그 출력이 초보 인간 모델러 수준에 근접함을 확인했고, "지능형 온톨로지 어시스턴트"의 실현 가능성을 입증했습니다. LLMs4OL(Giglou et al., 2023)은 범용 도메인에서 개념 식별·관계 추출·의미 패턴 귀납에 대한 LLM의 역량을 추가로 검증했습니다. Mateiu & Groza(2023)는 파인튜닝 모델로 자연어를 Protégé 같은 온톨로지 에디터 안에서 OWL 공리로 직접 번역하는 사례를 보였습니다. 최근 시스템인 NeOn-GPT(Fathallah et al., 2025)와 LLMs4Life(Fathallah et al., 2024)는 온톨로지 재사용과 적응적 정제를 통합한 엔드투엔드 프롬프트 주도 워크플로를 도입하여, 생명과학 같은 복잡 과학 도메인에서 깊고 일관된 온톨로지 구조를 구축했습니다. 한편 경량 프레임워크인 LKD-KGC(Sun et al., 2025)는 문서 요약에서 추출한 엔터티 타입을 클러스터링하여 개방 도메인 KG의 스키마를 빠르게 유도합니다. 요컨대 톱다운 연구는 의미 일관성·구조적 완전성·인간-AI 협업을 강조하며, 전통적 지식 공학이 더 지능적이고 언어 주도적인 패러다임으로 진화함을 보여 줍니다.

3.2 보텀업: LLM을 위한 KG 스키마 구축

보텀업 방법론은 LLM 시대, 특히 RAG 프레임워크가 도입한 패러다임 변화에 대한 응답으로 주목받고 있습니다. 이 패러다임에서 KG는 더 이상 인간 해석을 위한 정적 구조 지식 저장소가 아니라, LLM에게 사실 그라운딩과 구조화된 메모리를 제공하는 동적 인프라 가 됩니다. 따라서 연구 초점이 온톨로지 계층의 수작업 설계에서, 비정형·반정형 데이터로부터 스키마를 자동 귀납하는 것으로 이동합니다. 저자는 이 진화를 상호 연관된 세 단계로 정리합니다.

1. 데이터→스키마(data-to-schema). GraphRAG(Edge et al., 2024)와 OntoRAG(Tiwari et al., 2025)는 먼저 원시 텍스트에서 개방형 정보 추출로 인스턴스 수준 그래프를 생성한 뒤, 클러스터링과 일반화로 온톨로지 개념·관계를 추상화합니다. 이 과정은 경험적 지식을 재사용 가능한 개념 구조로 변환하여, 인스턴스가 풍부한 코퍼스가 온톨로지 청사진을 낳을 수 있음을 보여 줍니다.
2. 스키마 정규화·진화. EDC(Extract–Define–Canonicalize, Zhang & Soh, 2024)는 파이프라인을 개방 추출 → 의미 정의 → 스키마 정규화의 3단계로 발전시켜, 자동 유도된 스키마를 기존 온톨로지에 정렬하거나 사전 구조가 없을 때 새 온톨로지를 생성합니다. AdaKGC(Ye et al., 2023)는 동적 스키마 진화의 도전을 다루어, 재학습 없이 새로운 관계·엔터티 타입을 수용합니다. 이로써 초점이 정적 스키마 구축에서 진화하는 환경에서의 지속적 스키마 적응으로 이동합니다.
3. 배포형 시스템. AutoSchemaKG(Bai et al., 2025)는 스키마 기반과 스키마 프리 패러다임을 단일 아키텍처로 통합하여, 엔터프라이즈 규모 KG의 실시간 생성·진화를 지원합니다. 이 단계에서 KG는 LLM을 위한 외부 지식 메모리로 작동하며, 순수한 의미적 완전성보다 사실 커버리지·확장성·유지보수성을 우선합니다.

저자는 이 흐름을 "LLM을 위한 온톨로지 엔지니어링" 에서 "LLM을 위한 온톨로지와 KG" 로의 전환이라고 요약합니다. 톱다운 궤적이 의미 모델링·논리 일관성·전문가 안내 정렬을 강조하며 LLM을 지능형 어시스턴트로 자리매김한다면, 보텀업 궤적은 자동 추출·스키마 귀납·동적 진화를 우선하여, LLM의 그라운딩과 추론 능력을 강화하는 자기 갱신·해석 가능·확장 가능 지식 생태계로 나아갑니다.

챕터의 핵심 기여. 온톨로지 구축을 톱다운/보텀업이라는 직교 축으로 가르고, "LLM이 온톨로지를 위해" 일하던 시각이 "온톨로지가 LLM을 위해" 일하는 시각으로 역전되는 흐름을 명료히 했습니다.

다음 챕터로의 연결. 온톨로지(스키마)가 준비된 상태에서, 그 스키마를 어떻게 활용·우회하여 지식을 추출하는지를 다루는 섹션 4로 이어집니다.

📖 Chapter 4: LLM-Driven Knowledge Extraction (LLM 주도 지식 추출)

챕터의 위치와 역할. LLM 기반 지식 추출 방법론을 두 주요 패러다임으로 나누어 분석하는 장입니다. 명시적 구조 안내 아래 작동하는 스키마 기반 추출 과, 사전 정의 템플릿의 한계를 넘어서는 스키마 프리 추출 입니다. 전자는 정규화·구조 일관성·의미 정렬을, 후자는 적응성·개방성·탐색적 발견을 강조합니다.

4.1 스키마 기반 방법

스키마 기반 추출의 핵심 원리는 추출 과정에 구조적 안내와 의미 제약을 동시에 제공하는 명시적 지식 스키마에 의존한다는 점입니다. 연구 궤적은 정적 온톨로지 청사진에서 적응적·동적 진화 스키마 프레임워크로 진화합니다.

4.1.1 정적 스키마 주도 추출. 초기 연구는 추출 과정을 엄격히 제약하는 사전 정의 정적 스키마를 주로 사용했습니다. 온톨로지가 고정된 의미 백본 역할을 하여, 엄격한 구조 감독 아래 LLM이 지식 베이스를 채우도록 지시합니다. 이 연구 라인은 세 발전 단계로 특징지어집니다. 초기 노력인 Kommineni et al.(2024)은 완전히 사전 정의된 온톨로지 구조로 정밀성과 해석 가능성을 확보했는데, LLM이 먼저 CQ를 생성해 지식 범위를 정하고, 대응하는 온톨로지(TBox, 개념 계층)를 구성한 뒤, 명시적 스키마 감독 아래 ABox(인스턴스) 채우기를 수행하여 높은 일관성을 얻되 유연성은 제한적이었습니다. KARMA(Lu & Wang, 2025)는 멀티 에이전트(multi-agent) 아키텍처를 채택해, 각 에이전트가 고정 온톨로지 경계 안에서 스키마 안내 추출을 수행하여 정확한 엔터티 정규화와 관계 분류를 보장합니다. 이후 연구는 단계적 프롬프팅으로 모듈성과 재사용성을 높였는데, Feng et al.(2024)은 텍스트에서 도메인 온톨로지를 먼저 생성한 뒤 이를 RDF 트리플 추출의 지시 프롬프트로 활용하는 2단계 "온톨로지 그라운딩 추출" 접근을 제안했습니다. 더 최근에는 정적 프레임워크 안에 국소적 유연성을 도입합니다. ODKE+(Khorshidi et al., 2025)는 온톨로지 스니펫(ontology snippets), 즉 동적으로 선택된 온톨로지 부분집합으로 특정 엔터티에 맞춘 맥락 인식 프롬프트를 구성하여 런타임의 제한적 스키마 적응을 가능케 합니다. 마찬가지로 Bhattarai et al.(2024)은 의료 온톨로지 UMLS를 활용해 임상 정보 추출을 위한 과제별 프롬프트를 동적 생성합니다. 이런 방법들은 국소 적응성을 도입하나 여전히 사전 존재하는 거대 스키마에 묶여 있어, 스키마 동적성으로 가는 과도기적 단계에 해당합니다. 요약하면 정적 스키마 주도 추출은 정밀성·논리 일관성·해석 가능성을 강조하지만, 경직된 온톨로지 템플릿 의존이 확장성과 도메인 간 일반화를 제약합니다.

4.1.2 동적·적응형 스키마 기반 추출. 최근 접근은 스키마를 고정 템플릿이 아니라 추출 과정의 동적·진화 구성요소로 재개념화합니다. 이는 "스키마가 추출을 안내" 하던 것에서 "스키마가 추출과 함께 공진화(co-evolving)" 하는 것으로의 전환입니다. AutoSchemaKG(Bai et al., 2025)는 비지도 클러스터링과 관계 발견으로 대규모 코퍼스에서 스키마를 귀납하며, 서로 다른 관계 타입에 맞춘 다단계 프롬프트를 사용해 스키마가 추출된 내용과 함께 반복적으로 진화하도록 하여 개방 도메인 확장성을 높입니다. AdaKGC(Ye et al., 2023)는 스키마 드리프트(schema drift)를 두 메커니즘으로 다룹니다. 맥락 인식 프롬프팅을 위한 스키마 강화 접두 명령(Schema-Enriched Prefix Instruction, SPI) 과, 재학습 없는 스키마 적응을 위한 스키마 제약 동적 디코딩(Schema-Constrained Dynamic Decoding, SDD) 입니다. 이들은 상징적 구조와 데이터 주도 유연성을 잇는 적응적 스키마 학습을 가능케 하여, 추출과 스키마 진화가 함께 진행되는 지속적·자기 갱신형 KG 구축의 토대를 놓습니다.

4.2 스키마 프리 방법

스키마 프리 추출은 외부 정의 청사진에 의존하는 패러다임과 달리, 사전 정의 온톨로지나 관계 스키마 없이 비정형 텍스트에서 직접 구조화 지식을 획득하려 합니다. 핵심 아이디어는 LLM을 자율 추출기로 활용하여 고급 프롬프트 엔지니어링·명령 튜닝·자기 조직화 추론을 통해 엔터티와 관계를 식별하는 것입니다. 이 패러다임은 두 주요 궤적, 즉 구조적 생성 추출과 개방형 정보 추출로 전개됩니다.

4.2.1 구조적 생성 추출. 첫 번째 궤적인 구조적 생성 추출은 생성 과정에서 암묵적·즉석(on-the-fly) 스키마를 구성하도록 LLM을 프롬프팅하는 데 초점을 둡니다. 외부 온톨로지가 제공되지 않아도 구조적 추론 패턴과 생성 템플릿이 모델을 일관되고 정합적인 지식 생성으로 이끕니다. 초기 연구인 Nie et al.(2024)은 추출 과정에 사고 사슬(Chain-of-Thought, CoT) 프롬프팅을 통합해 단계별 추론으로 엔터티·관계를 식별하고, 명시적 스키마를 추론 기반 조직으로 효과적으로 대체할 수 있음을 보였습니다. 이를 발전시켜 AutoRE(Xue et al., 2024)는 명령 파인튜닝을 통해 RHF(Relation–Head–Facts) 파이프라인 을 도입하여 모델이 관계적 규칙성을 내재화하고 문서 전반의 정합성과 확장성을 높이도록 했습니다. 이후 연구는 검색과 상호작용성을 더했습니다. Papaluca et al.(2024)은 의미적으로 관련된 예시로 컨텍스트 윈도우를 동적으로 풍부하게 하는 검색 증강 프롬프팅 프레임워크를 제안해 사실 정밀도를 높였습니다. ChatIE(Wei et al., 2024)는 추출을 다중 턴 대화 과정으로 재구성하여, 연쇄 질의응답을 통해 엔터티·관계 후보를 반복적으로 정제합니다. KGGEN(Mo et al., 2025)은 추출을 "엔터티 탐지 → 관계 생성" 의 두 LLM 호출로 분해하여 인지 부하와 오류 전파를 줄입니다. 이들은 명시적 스키마가 없어도 LLM이 안내된 추론·모듈 프롬프팅·상호작용적 정제를 통해 잠재적 관계 구조를 내재화할 수 있음을 보여 주며, 개방형·자기 조직화 지식 생성의 토대를 놓습니다.

4.2.2 개방형 정보 추출(OIE). 개방형 정보 추출(Open Information Extraction, OIE)은 구조적 생성 방법을 스키마 프리 방향으로 확장하여, 사전 정의 타입에 의존하지 않고 텍스트에서 가능한 모든 엔터티–관계–객체 트리플을 발견하려 합니다. EDC 프레임워크(Zhang & Soh, 2024)가 대표적인데, 그 Extract 단계는 퓨샷 프롬프팅으로 포괄적인 자연어 트리플을 생성하여, 이후 정의·정규화를 거칠 원시 개방 KG를 만듭니다. OIE는 구조적 규칙성보다 커버리지와 발견을 우선하며, 스키마 귀납이나 정규화와 결합되면 비정형 텍스트와 떠오르는 온톨로지 조직을 연결하여, 스키마 프리에서 스키마 생성으로 이어지는 연속선을 완성합니다.

챕터의 핵심 기여. 추출 방법을 정적 스키마 → 동적 스키마(공진화) → 구조적 생성 → 개방형 추출의 연속선으로 배열하여, 구조적 제약과 개방형 발견 사이의 스펙트럼을 명료하게 가시화했습니다.

다음 챕터로의 연결. 추출이 만들어 낸 (잠재적으로 중복·충돌하는) 지식 조각들을 일관된 그래프로 통합하는 융합 단계, 즉 섹션 5로 이어집니다.

📖 Chapter 5: LLM-Powered Knowledge Fusion (LLM 기반 지식 융합)

챕터의 위치와 역할. LLM 기반 융합 방법론을 다루는 장으로, 저자는 융합이 두 근본 수준의 과제를 해결한다고 봅니다. 스키마 계층에서 통합·정규화된 지식 골격(skeleton)을 구성하는 것과, 인스턴스 계층에서 구체적 지식 살(flesh)을 통합·정렬하는 것입니다. 이에 따라 기존 접근을 스키마 레벨 융합, 인스턴스 레벨 융합, 그리고 둘을 통합한 하이브리드 프레임워크의 세 부류로 나눕니다.

5.1 스키마 레벨 융합

스키마 레벨 융합은 KG의 구조적 백본인 개념·엔터티 타입·관계·속성을 일관되고 의미적으로 정합한 스키마로 통합합니다. 이종 요소를 정렬하여 모든 지식이 통합된 개념 명세를 따르도록 보장합니다. 이 영역은 세 단계로 진화합니다.

1. 온톨로지 주도 일관성(ontology-driven consistency). 초기 연구는 명시적 온톨로지를 전역 제약으로 사용했습니다. Kommineni et al.(2024)은 추출된 트리플과 사전 정의 온톨로지 정의 사이의 정렬을 강제하여 높은 의미 일관성을 얻었으나 도메인 간 유연성은 제한적이었습니다.
2. 데이터 주도 통합(data-driven unification). 이 경직성을 극복하기 위해 LKD-KGC(Sun et al., 2025)는 적응적·임베딩 기반 스키마 통합을 도입했습니다. 벡터 클러스터링과 LLM 기반 중복 제거로 동등한 엔터티 타입을 자동 추출·병합하여, 스키마 정렬이 데이터로부터 동적으로 떠오르게 합니다.
3. LLM 기반 정규화(LLM-enabled canonicalization). 최근 EDC(Zhang & Soh, 2024)는 융합을 의미 정규화로 확장합니다. LLM이 스키마 컴포넌트의 자연어 정의를 생성하게 하고 이를 벡터 유사도로 비교하여, 자기 정렬과 교차 스키마 매핑을 더 높은 자동화와 의미 정밀도로 지원합니다.

요컨대 스키마 레벨 융합은 온톨로지 주도 → 데이터 주도 → LLM 기반으로 진화하여, 경직된 규칙 기반 정렬에서 LLM 추론이 매개하는 유연하고 의미 지향적인 융합으로 이동했습니다.

5.2 인스턴스 레벨 융합

인스턴스 레벨 융합은 엔터티 정렬·중의성 해소·중복 제거·충돌 해결을 다루어 구체적 지식 인스턴스를 통합합니다. 목표는 이종·중복 엔터티를 조화시켜 일관되고 의미적으로 정밀한 KG를 유지하는 것입니다. 최근 연구는 휴리스틱 클러스터링에서 구조화된 추론 기반 프레임워크로 진화합니다. 초기 연구인 KGGEN(Mo et al., 2025)은 표면 매칭을 넘어 동등한 엔터티·관계를 병합하기 위해 반복적 LLM 안내 클러스터링을 사용했으며, 점진적 트리플 추출 후 의미적 그룹화를 수행하여 LLM이 명시적 규칙이 아닌 암묵적 추론으로 의미적으로 관련된 엔터티를 집계할 잠재력을 드러냈습니다. 이후 LLM-Align(Chen et al., 2024)과 EntGPT(Ding et al., 2025)는 정렬을 맥락적 추론 과제로 재구성하여 다단계 프롬프팅으로 의미 변별력을 높였습니다. LLM-Align은 정렬을 제약된 객관식(constrained multiple-choice) 문제 로 다루고, EntGPT는 먼저 후보 엔터티를 생성한 뒤 표적 추론을 적용해 최종 선택하는 2단계 정제 파이프라인을 도입하여 정렬 정밀도를 크게 높였습니다. 더 최근 연구는 구조적·검색 단서를 통합하는데, Pons et al.(2025)은 RAG 기반 융합으로 클래스–서브클래스 계층과 엔터티 기술을 활용한 제로샷 중의성 해소를 수행합니다. 그래프 위상 통합으로 미관측·모호 엔터티에 대한 더 강건한 추론이 가능해집니다. 효율성 측면에서는 COMEM(Wang et al., 2024)이 경량 필터링과 정밀 추론을 결합한 계층적 설계를 제시하는데, 작은 LLM과 큰 LLM을 다단계 파이프라인으로 캐스케이드하여 대규모 융합에서 높은 의미 정확도를 유지하면서 상당한 효율 이득을 얻습니다. 전체적으로 LLM은 단순 매처(matcher)에서, 맥락·구조·검색 신호를 통합하는 적응적 추론 에이전트로 진화하여 확장 가능하고 자기 교정적인 융합으로 나아갑니다.

5.3 종합·하이브리드 프레임워크

종합·하이브리드 프레임워크는 스키마 레벨과 인스턴스 레벨 융합을 단일 엔드투엔드 워크플로로 통합하여, 전통적 모듈 파이프라인을 넘어 통합·프롬프트 주도 아키텍처로 나아갑니다. KARMA(Lu & Wang, 2025)는 전문화된 에이전트들이 스키마 정렬·충돌 해결·품질 평가를 협력적으로 처리하는 멀티 에이전트 설계로 확장성과 전역 일관성을 달성합니다. 이를 발전시켜 ODKE+(Khorshidi et al., 2025)는 스키마 감독과 인스턴스 레벨 보강을 결합한 온톨로지 안내 워크플로로 의미 충실도를 높입니다. 더 최근 Graphusion(Yang et al., 2024)은 정렬·통합·추론이라는 모든 융합 하위 과제를 단일 생성 사이클 안에서 수행하는 통합·프롬프트 기반 패러다임을 도입합니다. 이들 프레임워크는 통합적·적응적·생성적 융합 시스템으로의 전환을 알리며, 지속적 구축과 추론이 가능한 자율·자기 진화형 KG로 가는 중요한 단계를 표시합니다.

챕터의 핵심 기여. 융합을 스키마 레벨·인스턴스 레벨·하이브리드로 삼분하고, 각 갈래에서 LLM이 단순 유사도 매처에서 추론 에이전트로 진화하는 공통 궤적을 식별했습니다.

다음 챕터로의 연결. 세 단계(온톨로지·추출·융합)의 LLM화를 마친 뒤, 저자는 이 흐름이 향하는 미래 응용으로 시선을 돌립니다.

📖 Chapter 6: Future Applications (향후 응용)

챕터의 위치와 역할. LLM과 KG의 교차점에서 떠오르는 향후 연구 방향을 전망하는 장입니다. 저자는 더 깊은 지능적 상호작용과 더 큰 자율성으로 나아가는 흐름 속에서 네 가지 유망한 방향을 제시합니다.

6.1 LLM을 위한 KG 기반 추론

향후 연구는 구조화된 KG를 LLM의 추론 메커니즘에 더 깊이 통합하여 논리 일관성·인과 추론·해석 가능성을 높일 것으로 기대됩니다. 이는 추론 능력 향상을 넘어, 지식 구축에서 지식 주도 추론으로의 개념적 전환을 의미합니다. 고품질·잘 구조화된 KG가 설명 가능하고 검증 가능한 모델 추론의 토대를 제공합니다. KG 기반 랜덤워크 추론(Kim et al., 2024)과 KG-RAR(Wu et al., 2025) 같은 연구가 이 패러다임의 잠재력을 보였습니다. 핵심적인 상보적 도전은, 향상된 추론 능력이 다시 더 강건하고 자동화된 KG 구축을 지원하여 지식 구축과 추론 사이에 자기 개선의 선순환(self-improving virtuous cycle) 을 형성할 수 있는가입니다.

6.2 에이전트 시스템을 위한 동적 지식 메모리

LLM 기반 에이전트의 자율성을 달성하려면 유한한 컨텍스트 윈도우의 한계를 영속적·구조화된 메모리로 극복해야 합니다. 최근 아키텍처는 KG를 정적 이력 저장이 아니라 에이전트 상호작용과 함께 지속 진화하는 동적 메모리 기질(memory substrate)로 봅니다. A-MEM(Xu et al., 2025)은 메모리를 맥락 메타데이터로 풍부해진 상호 연결 "노트(notes)" 로 모델링하여 지속적 재조직과 성장을 가능케 합니다. Zep(Rasmussen et al., 2025)은 시간 지식 그래프(Temporal Knowledge Graph, TKG) 를 사용해 사실 유효성을 관리하고 시점 인식 추론과 갱신을 지원합니다. 이들은 동적 KG가 지속 학습·다중 에이전트 협업·자기 성찰적 추론을 가능케 하는 장기·해석 가능 메모리 시스템임을 부각합니다. 향후 연구는 완전 자율적·지식 그라운딩된 에이전트를 위한 확장성·시간적 정합성·멀티모달 통합 개선에 집중할 것입니다.

6.3 멀티모달 지식 그래프 구축

멀티모달 지식 그래프(Multimodal Knowledge Graph, MMKG) 구축은 텍스트·이미지·오디오·비디오 같은 이종 모달리티를 통합된 구조 표현으로 묶어, 더 풍부한 추론과 교차 모달 정렬을 가능케 하는 것을 목표로 합니다. 대표 연구로 VaLiK(Vision-align-to-Language integrated KG, Liu et al., 2025)는 사전학습 비전-언어 모델(Vision-Language Model, VLM)을 캐스케이드해 시각 특징을 텍스트 형태로 변환한 뒤, 교차 모달 검증 모듈로 노이즈를 거르고 MMKG를 조립합니다. 이 과정은 수작업 주석 없이 엔터티-이미지 연결을 달성합니다. 구조를 넘어, KG-MRI(Lu et al., 2024) 같은 표현 학습 방법은 대조 목적함수(contrastive objective)를 갖춘 멀티모달 임베딩으로 이종 모달리티를 정합한 의미 공간으로 정렬합니다. 남은 핵심 도전은 모달 이질성, 정렬 노이즈, 확장성, 그리고 결손·불균형 모달리티 하의 강건성입니다. LLM과 VLM이 함께 진화함에 따라 MMKG는 지각 입력과 상징적 추론을 모달리티를 가로질러 잇는 초석이 될 것입니다.

6.4 LLM 응용에서 KG의 새로운 역할: RAG를 넘어서

RAG 시스템의 검색 백본을 넘어, KG는 점차 원시 입력과 LLM 추론을 잇는 인지 중간 계층(cognitive middle layer) 으로 구상되고 있습니다. 이 패러다임에서 KG는 질의·계획·의사결정을 위한 구조화된 발판을 제공하여 더 해석 가능하고 그라운딩된 생성을 가능케 합니다. CogER(Bing et al., 2023)는 추천을 인지 인식 KG 추론으로 정식화하여 직관적 추론과 경로 기반 추론을 통합해 설명 가능성을 높입니다. 생의학 도메인에서 PKG-LLM(Sarabadani et al., 2025)은 도메인 KG를 정신건강 진단의 지식 증강과 예측 모델링에 활용합니다. 이들은 KG를 상호작용적 추론 기질로 다루어, 과학·코드·헬스케어 같은 도메인에서 더 강건하고 설명 가능한 생성을 약속합니다.

챕터의 핵심 기여. 향후 방향을 KG→LLM 추론, 동적 메모리, 멀티모달, RAG 너머의 인지 계층이라는 네 갈래로 정리하여, KG가 단순 저장소에서 LLM 인지의 능동적 구성요소로 확장됨을 전망했습니다.

다음 챕터로의 연결. 마지막으로 결론에서 세 가지 거시 추세를 종합하고 남은 도전을 짚습니다.

📖 Chapter 7: Conclusion (결론)

챕터의 위치와 역할. 서베이 전체의 발견을 종합하는 장입니다. 저자는 LLM이 온톨로지 엔지니어링·지식 추출·지식 융합을 가로질러 KG 구축을 어떻게 변혁하는지를 다시 요약하며, 패러다임이 규칙 기반·모듈 파이프라인에서 통합·적응·생성형 프레임워크로 이동했음을 강조합니다.

저자는 세 단계를 관통하는 세 가지 거시 추세를 제시합니다.

1. 정적 스키마에서 동적 귀납(static schemas → dynamic induction)으로 의 진화
2. 파이프라인 모듈성에서 생성형 통합(pipeline modularity → generative unification)으로 의 통합
3. 상징적 경직성에서 의미적 적응성(symbolic rigidity → semantic adaptability)으로 의 전환

이 변화들은 KG를 언어 이해와 구조화된 추론을 결합한 살아 있는 인지 인프라(living cognitive infrastructure) 로 재정의합니다. 다만 저자는 놀라운 진전에도 불구하고 확장성·신뢰성·지속 적응에 여전히 도전이 남아 있음을 명시합니다. 프롬프트 설계, 멀티모달 통합, 지식 그라운딩 추론의 향후 발전이 자율적이고 설명 가능한 지식 중심 AI 시스템 실현의 관건이 될 것이라고 결론짓습니다.

챕터의 핵심 기여. 세 단계 분석을 세 추세로 압축하고, 남은 도전(확장성·신뢰성·지속 적응)을 명시적으로 적시했습니다.

기술적 함의와 응용

분야에 미치는 영향. 이 서베이의 가장 큰 함의는 흩어진 LLM 기반 KG 연구를 스키마 기반 vs 스키마 프리 × 온톨로지/추출/융합 이라는 좌표계로 정렬했다는 점입니다. 새로운 연구나 프레임워크를 만났을 때 그것이 어느 칸에 속하는지, 그리고 어떤 발전 궤적(정적→동적, 모듈→통합, 경직→적응) 위에 놓이는지를 빠르게 가늠할 수 있는 공통 언어를 제공합니다.

실제 적용 시 고려사항. 인용된 대표 기법을 실무 의사결정으로 옮기면 다음과 같이 읽힙니다.

• 스키마를 먼저 짤지 말지 가 첫 의사결정입니다. 안정적 도메인·규제 환경(의료·금융)이라면 스키마 기반(ODKE+, KARMA)으로 일관성을 잡고, 빠른 탐색·개방 도메인이라면 EDC·KGGEN 같은 스키마 프리로 시작해 사후 정규화하는 편이 현실적입니다.
• EDC의 Extract–Define–Canonicalize 3단계 패턴 은 개방 추출로 커버리지를 확보하고 정의·정규화로 노이즈를 거르는 구조여서, 자체 KG 파이프라인의 출발점으로 삼을 만합니다.
• 비용 최적화는 COMEM식 LLM 캐스케이드 — 작은 모델로 필터링, 큰 모델로 정밀 추론 — 가 검증된 패턴입니다.
• RAG 다음 단계를 고민한다면, KG를 단순 검색 백엔드가 아니라 Zep의 TKG처럼 시간 인식 에이전트 메모리 로 바라보는 시각이 점점 표준이 될 가능성이 큽니다.

향후 연구 방향(논문 명시). 저자가 명시한 방향은 섹션 6의 네 갈래(KG 기반 LLM 추론과 자기 개선 선순환, 에이전트용 동적 지식 메모리, 멀티모달 KG, RAG를 넘어선 인지 중간 계층)이며, 결론에서 확장성·신뢰성·지속 적응을 남은 도전으로 꼽습니다. 그 이상의 한계는 논문에 명시되지 않았으므로 본 리뷰에서도 덧붙이지 않습니다.

재현성에 관한 유의점. 이 서베이는 단일 저자의 분류·정리 중심이라 정량 벤치마크 비교나 재현 실험을 담고 있지 않습니다. 따라서 "어떤 기법이 더 정확한가"의 근거가 아니라, 자신의 문제를 어느 칸에 놓고 어떤 대표 프레임워크부터 살펴볼지 를 잡아 주는 지도로 활용하는 것이 가장 적절합니다. 다만 인용 문헌의 arXiv ID·DOI·URL이 풍부하여, 관심 가는 프레임워크의 원본 구현으로 추적해 들어가기는 용이합니다.

TrendHacker와의 접점. 본 프로젝트는 GeekNews 기사에서 결정론적(비-LLM) 태그 파이프라인으로 엔터티를 추출·승격하고 그 공기(共起) 그래프를 구축합니다. 이는 정확히 이 서베이의 스키마 프리·개방형 정보 추출 갈래에 대응하되, 규칙 기반으로 노이즈를 통제하는 보수적 변형이라 볼 수 있습니다. 서베이가 정리한 발전 궤적에 비추면, 향후 엔터티 정규화·중복 제거 단계에 EDC식 정의·정규화나 COMEM식 경량 필터링 아이디어를 선택적으로 차용해 코퍼스 큐레이션 품질을 끌어올리는 방향을 검토해 볼 수 있습니다.