Week 6. 지식 그래프 기반 RAG (GraphRAG)

질문: "크리스토퍼 놀란이 감독한 영화들의 공통 배우는?"

벡터 검색: 의미적으로 유사한 청크 반환
→ 개별 영화 정보는 있지만, 관계 파악 어려움

GraphRAG: 구조화된 관계 탐색
→ Nolan → 영화들 → 배우들 → 교집합

질문 → Query Rewriting → Hybrid Retrieval → Sub-graph 추출 → LLM 응답
                              │
                    ┌─────────┴─────────┐
                    ↓                   ↓
              Vector Search      Graph Traversal
                    │                   │
                    └─────────┬─────────┘
                              ↓
                       Context Fusion

from neo4j import GraphDatabase
 
def extract_subgraph(driver, entity, depth=2):
    """특정 엔티티 주변의 서브그래프 추출"""
    with driver.session() as session:
        result = session.run("""
            MATCH path = (start)-[*1..$depth]-(connected)
            WHERE start.name = $entity
            RETURN nodes(path) AS nodes, relationships(path) AS rels
        """, entity=entity, depth=depth)
 
        nodes = set()
        edges = []
        for record in result:
            for node in record["nodes"]:
                nodes.add((node.id, dict(node)))
            for rel in record["rels"]:
                edges.append({
                    "source": rel.start_node.id,
                    "target": rel.end_node.id,
                    "type": rel.type
                })
 
        return {"nodes": list(nodes), "edges": edges}

from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Neo4jVector
 
class HybridRetriever:
    def __init__(self, driver, embeddings):
        self.driver = driver
        self.vector_store = Neo4jVector.from_existing_graph(
            embeddings,
            search_type="hybrid",
            node_label="Document",
            text_node_properties=["text"],
            embedding_node_property="embedding"
        )
 
    def retrieve(self, query, k=5):
        # 1. 벡터 검색
        vector_results = self.vector_store.similarity_search(query, k=k)
 
        # 2. 엔티티 추출 및 그래프 검색
        entities = self._extract_entities(query)
        graph_results = []
        for entity in entities:
            subgraph = extract_subgraph(self.driver, entity)
            graph_results.append(subgraph)
 
        # 3. 결과 통합
        return self._fuse_results(vector_results, graph_results)

from llama_index.core import KnowledgeGraphIndex
from llama_index.graph_stores.neo4j import Neo4jGraphStore
 
graph_store = Neo4jGraphStore(
    username="neo4j",
    password="password",
    url="bolt://localhost:7687",
)
 
index = KnowledgeGraphIndex.from_documents(
    documents,
    graph_store=graph_store,
    include_embeddings=True,
)
 
query_engine = index.as_query_engine(
    include_text=True,
    response_mode="tree_summarize",
)
 
response = query_engine.query("크리스토퍼 놀란 영화의 공통점은?")

사용자 질문: "놀란 감독 스타일의 SF 영화 추천해줘"
    ↓ LLM (질문 분석)
의도: 추천, 조건: 감독=놀란 스타일, 장르=SF
    ↓ Cypher 생성
MATCH (d:Person {name: "Christopher Nolan"})-[:DIRECTED]->(m:Movie)
      -[:HAS_GENRE]->(:Genre {name: "Sci-Fi"})
RETURN m.title
    ↓ Neo4j 실행
["Inception", "Interstellar", "Tenet"]
    ↓ LLM (응답 생성)
"놀란 감독의 SF 영화로는 인셉션, 인터스텔라, 테넷이 있습니다."