라벨 없이 지식그래프를 만드는 법 — 2025~2026, 무엇이 바뀌고 있는가

2024년까지 우리는 도구들을 조합했다. 2025년부터는 도구들이 서로를 조율하기 시작했다.

---

0. 2024년의 결론, 2025년의 출발점

2024년까지 이 주제에서 가장 중요한 수치는 두 개였다.

첫 번째는 DocRED SOTA인 F1 69.93 (TSFGAT)(1). 수만 건의 인간 주석이 있는 fully supervised 조건에서 도달한 천장이다. 라벨 없는 조건에서 이 수준에 근접한 시스템은 존재하지 않았다.

두 번째는 KGGen의 66.07% 대 OpenIE의 29.84%(2). 처리 방식의 설계—Entropy 선별, 계층 처리, HDBSCAN 군집화—가 더 강한 모델 없이도 36%p 차이를 만든다는 증거였다. 라벨 없이 지식그래프를 만드는 방향은 이미 있었다. 문제는 각 도구가 단독으로 작동했다는 것이다.

2025~2026년은 이 도구들이 서로의 약점을 보완하는 방향으로 진화하고 있다. 각각이 어떻게 바뀌고 있는지를 추적하면, 더 큰 방향이 보인다.

---

1. Entropy: 계산이 너무 비쌌다

Semantic Entropy(3) (Kuhn et al., ICLR 2023)의 아이디어는 강력했다. 언어 모델이 같은 입력에 대해 생성하는 출력들을 의미 클러스터로 묶어 진정한 의미적 불확실성을 측정한다.

$$ SE(x) = -\sum_i P(C_i|x) \cdot \log P(C_i|x) $$

문제는 구현 비용이었다. 동일 입력에 대해 여러 번 샘플링해야 하고, 샘플마다 클러스터링을 수행해야 하며, 그 과정에서 클러스터 할당이 불안정하게 흔들렸다. 실제 PDF 파이프라인에 적용하려면 문단 하나에도 다수의 LLM 호출이 필요했다.

2025년부터 이 병목을 해결하는 연구들이 등장했다.

Probabilities Are All You Need(4)는 근본 질문을 바꿨다. 다수 샘플이 꼭 필요한가. 응답의 상위-K 토큰 확률만으로 예측 엔트로피를 근사하면, 추가 LLM 호출 없이 같은 신호를 얻을 수 있다. 3개 자유형식 QA 데이터셋에서 기존 Semantic Entropy 대비 우수하거나 동등한 성능을 훈련 없이(training-free) 달성했다.

방향이 다른 접근도 있다. Semantic Energy(5)는 기존 SE가 로짓(logit)을 무시하고 샘플링에만 의존한다는 점을 지적했다. 모델이 이미 내부적으로 갖고 있는 확신도 신호를 버리고 있는 것이다. Boltzmann 에너지 분포 기반 프레임워크로 로짓을 의미 군집화와 직접 결합하면 환각 탐지 정확도가 올라간다.

데이터 선택 관점에서도 진전이 있었다. InstructDiff(6)는 기본 모델과 최소 조정 모델 간 **차분 엔트로피(Differential Entropy)**가 도메인별 최적 학습 샘플을 식별하는 신호로 작동함을 발견했다. 전체 데이터의 10%만 선택했을 때 수학 추론 +17%, 일반 지시 따르기 +52% 상대 개선을 달성했다. EDCO(7)는 추론 엔트로피 기반 동적 커리큘럼으로 엔트로피 계산 시간을 83.5% 단축했다.

무엇이 바뀌고 있는가. 2024년까지의 Entropy는 "정보량 측정" 개념이었다. 2025년부터는 "비용 효율적 불확실성 추정"으로 좁혀지고 있다. 다수 샘플링 없이, 로짓을 활용하여, 훈련 없이. 이 방향이 PDF 파이프라인에서 Entropy를 실용적으로 만드는 경로다.

---

2. 계층 처리: 고정 청킹의 종말

2024년까지 가장 효과적인 청킹 전략은 "섹션 경계를 존중하는 고정 크기 청킹"이었다. NVIDIA의 벤치마크에서 페이지/섹션 경계 존중 청킹이 임의 고정 크기 대비 정확도에서 우위를 보였고, 2,048자에 200자 오버랩이 많이 쓰이는 파라미터였다.

그런데 고정 청킹에는 구조적 문제가 있다. 질문 유형이 다르면 필요한 컨텍스트 크기가 다르다. "이 논문의 핵심 주장은?"이라는 질문은 문서 전체 요약이 필요하고, "HDBSCAN의 Silhouette Score는?"이라는 질문은 단일 수치면 충분하다. 같은 청크 크기로 두 질문을 동시에 잘 처리할 수는 없다.

Mix-of-Granularity[(8)] (COLING 2025)는 이 문제를 정면으로 다뤘다. 쿼리 유형에 따라 처리 단위를 동적으로 선택하는 프레임워크다. 사실 검색에는 세밀한 청크를, 개념 종합에는 큰 청크를, 요약에는 계층 전체를 활용한다. 고정된 단위가 없다—질문이 단위를 결정한다.

같은 흐름에서 LKD-KGC[(9)] (EDBT 2026)는 지역-전역 이중 구조를 실험적으로 검증했다. 지역 처리(문장 단위 트리플 추출)만 쓸 때 대비 전역 융합(KG 수준 통합) 단계를 추가하면 10~20% 성능 향상이 있었다. Graphusion(10)이 2024년에 제시한 원칙—전역 융합 제거 시 관계 품질 2.37에서 2.08로 하락—을 독립적으로 재확인한 셈이다.

RAPTOR 방법론의 확장 연구[(11)] (Frontiers 2026)는 계층적 요약 트리 방식이 표준 RAG 대비 +16.83%p 개선을 보임을 보고했다. 문서를 다양한 수준의 추상화로 인덱싱함으로써, 동일 문서에서 세부 사실과 고수준 개념을 동시에 검색할 수 있게 된다.

무엇이 바뀌고 있는가. 계층 처리의 논리는 같지만, 구현이 바뀌고 있다. "어떻게 쪼갤 것인가"라는 사전 결정에서 "쿼리가 요구하는 단위가 무엇인가"라는 동적 판단으로. 이 전환은 PDF 파이프라인이 단순 추출 도구에서 검색 인프라의 일부가 되고 있음을 시사한다.

---

3. Label-free 정렬: 이제는 시스템이 경쟁한다

2024년 말까지 label-free 온톨로지 정렬의 대표 결과는 OntoAligner(12) (ESWC 2025)였다. KGE 임베딩 거리만으로 Mouse-Human 해부학 온톨로지에서 Precision 97.9%, F1 81.0을 달성했다. 그러나 도메인 간 거리가 멀어지면 F1 55.8%까지 급락하는 약점이 있었다.

2025년에는 이 문제를 다른 방향에서 공략하는 시스템들이 여럿 등장했고, 성능이 검증 가능한 공개 벤치마크(OAEI)에서 경쟁하기 시작했다.

MILA(13)는 OAEI 2024 비감독 트랙에서 5개 중 4개 최고 F-Measure를 달성했다. 임베딩 후보 생성 → 프로그래밍 휴리스틱 필터링 → LLM 판정의 3단계 파이프라인이다. LLM을 전체에 쓰지 않고 마지막 경계 케이스에만 쓰기 때문에 비용 효율이 높다. 기존 비감독 최고 대비 +17% F-Measure.

FLORA(14) (ISWC 2025)는 다른 방향을 택했다. 퍼지 논리(fuzzy logic) 기반 반복 정렬 프레임워크다. 시드 정렬(수동 레이블) 없이 엔티티와 관계를 동시에 반복 정렬하며, 1:1 매핑 가정도 버렸다. 실제 온톨로지에는 대응이 없는 개념도 존재한다—그것을 자연스럽게 처리한다. 주요 벤치마크에서 state-of-the-art를 달성한다고 보고된다.

임베딩 거리 기반 접근의 개선도 있었다. Complex Ontology Matching(15)은 파인튜닝 없이 LLM 임베딩만으로 기준선 대비 F-measure +45%를 달성했다. 임베딩 모델 자체가 강해지면서 거리 기반 매칭의 하한이 올라가고 있다.

LLM as Oracles(16) (EACL 2026)는 OAEI 2025 bio-ml 트랙 전체 2위다. 불확실성이 높은 대응 후보에만 LLM 검증을 수행하는 선택적 호출 방식으로, MILA의 아이디어를 더 체계화했다.

무엇이 바뀌고 있는가. Label-free alignment는 더 이상 이론적 가능성이 아니다. 공개 벤치마크에서 지도학습 기반 시스템과 경쟁하는 단계다. 핵심 설계 원칙은 수렴하고 있다: 임베딩으로 고정밀 후보를 만들고, LLM은 경계 케이스에만 투입한다. 이 2단계 구조가 비용과 품질의 균형점이다.

---

4. OWL + SHACL: 탐지에서 설명으로

2024년까지 OWL+SHACL 조합의 역할은 명확했다. OWL은 도메인 모델링과 추론(OWA 기반), SHACL은 데이터 유효성 검증(CWA 기반). 이 조합으로 스키마 제약 적용 시 관계 추출 F1이 최대 18% 향상됐다[(17)] (Kommineni et al., 2024).

그런데 2025년에 이 프레임워크에 LLM이 직접 들어오기 시작했다.

GLaMoR(18)은 LLM을 OWL Consistency Checking에 통합해 95% accuracy를 달성하면서 기존 추론기 대비 20배 빠른 처리 속도를 보였다. 전통적 OWL 추론기는 정확하지만 느리다. LLM은 불완전하지만 빠르다. 두 특성의 결합이 실용적 균형을 만든다.

xpSHACL[(19)] (VLDB 2025)은 다른 문제를 풀었다. SHACL 위반은 탐지되지만 왜 위반인지 이해하기 어렵다. xpSHACL은 LLM과 RAG를 결합해 SHACL 위반에 대한 자연어 설명을 자동 생성한다. "이 트리플은 어떤 제약을 어떤 이유로 위반했는가"를 사람이 읽을 수 있는 형태로 출력한다. KG 품질 관리의 운영 가시성이 올라간다.

온톨로지 구성 단계에서도 변화가 있다. Ontology Learning with LLMs 연구들은 LLM이 도메인 텍스트에서 OWL 온톨로지를 자동 생성하는 경로를 탐색하고 있다. 수동으로 스키마를 설계하는 비용을 줄이는 방향이다.

무엇이 바뀌고 있는가. OWL+SHACL은 "탐지 도구"에서 "설명 생성 + 자동 수리 인프라"로 역할이 확장되고 있다. LLM이 추론기를 대체하는 것이 아니라, 추론기가 탐지한 문제를 LLM이 설명하고 수리 제안을 생성하는 협력 구조다.

---

5. 전체 파이프라인: KG는 어디로 가는가

개별 도구들의 진화보다 더 중요한 변화가 있다. 2025~2026년에 등장하는 시스템들은 "KG를 만든다"는 목표 자체를 바꾸고 있다.

KnowRA (IJCAI 2025)와 RAKG는 RAG와 KG를 결합한 아키텍처다. KG는 더 이상 최종 산출물이 아니다—질문에 답하기 위한 검색 인프라다. KG가 벡터 인덱스를 보완하거나 대체하면서, PDF에서 추출된 구조화 지식이 실시간 질의 응답으로 직접 연결된다.

CoDe-KG (EMNLP 2025, macro-F1 65.8%)는 schema-free 추출에서 더 나아가 코드 생성과 KG 구축을 결합하는 방향을 탐색한다. 텍스트만이 아니라 코드, 표, 수식이 혼재하는 기술 문서에서 KG를 추출할 수 있어야 한다는 요구다.

이 흐름을 하나로 보면 방향이 선명해진다.

2024년의 파이프라인:
PDF → [Entropy 선별] → [계층 처리] → [HDBSCAN] → [OWL+SHACL] → [Label-free 정렬] → KG (저장)

2025~2026년의 파이프라인:
PDF → [동적 단위 결정] → [Entropy 근사(logit)] → [계층 처리(쿼리 적응형)] →
[HDBSCAN] → [LLM Consistency 검증] → [SHACL 설명 생성] →
[임베딩+LLM 2단계 정렬] → KG (RAG 인프라의 일부로)

고정된 것이 동적으로 바뀌고 있다. 청킹 단위, 엔트로피 계산 방식, OWL 검증 속도, 정렬의 LLM 투입 시점—모두 상황에 따라 조정된다. 그리고 KG는 저장 목표에서 검색 도구로 역할이 이동한다.

---

6. 아직 바뀌지 않은 것

변화를 추적할 때 변하지 않은 것을 구분하는 것도 중요하다.

DocRED inter-sentence 격차는 해소되지 않았다. 2025년에도 문장 경계를 넘는 관계는 intra-sentence 대비 10~15%p 낮다. 계층 처리가 개선을 가져오지만 격차를 닫지는 못한다.

라벨 없는 조건에서의 F1 69.93 달성은 여전히 불가능하다. KnowRA, CoDe-KG, RAKG 같은 시스템들이 높은 정확도를 보고하지만, DocRED 수준의 표준화된 벤치마크에서 비교된 수치가 아닌 경우가 많다.

Semantic Entropy의 KG relation 다양성 기여는 직접 실험되지 않았다. 엔트로피 기반 데이터 선택이 효과적이라는 것은 확인됐지만(InstructDiff(6): 10% 데이터로 +52%), 이것이 KG의 관계 유형 다양성에 어떻게 기여하는지는 여전히 간접 증거에 머문다.

이 세 가지는 2026년 현재도 열려 있는 질문이다.

---

7. 그래서 무엇이 바뀌고 있는가

다섯 가지 도구가 2025~2026년에 바뀌는 방향을 요약하면 이렇다.

그리고 이 변화들을 가로지르는 하나의 방향이 있다.

도구들이 서로를 인식하기 시작했다. 엔트로피가 로짓을 흡수하고, SHACL이 LLM을 설명 엔진으로 활용하고, 정렬 시스템이 임베딩과 LLM의 역할을 분리한다. 단독으로 작동하던 도구들이 파이프라인 안에서 서로의 출력을 조건으로 삼는다.

이것이 "추출에서 구성으로"의 다음 단계다. 2024년까지 구성의 재료를 발견했다면, 2025~2026년은 재료들이 어떻게 협력하는지를 설계하는 단계다.

$$ \text{semantic} = \text{distance} + \text{constraint} + \text{coordination} $$

라벨은 여전히 필요 없다. 거리와 제약은 있었다. 이제 조율(coordination)이 더해지고 있다.

---

참고