Graph Algorithm → RAG 통합: PageRank 리랭킹

Hook: 벡터 유사도만으로는 부족하다

벡터 검색 결과:

1. "삼성전자가 AI 칩을 발표" (유사도 0.92)
2. "NVIDIA CEO 젠슨 황 인터뷰" (유사도 0.89)
3. "SK하이닉스 HBM 생산 계획" (유사도 0.87)

이 중 가장 중요한 노드는? 벡터 유사도만으로는 판단 불가. PageRank를 결합하면 그래프 구조적 중요도까지 반영 가능.

---

왜 배우는가?

왜 Graph Algorithm이 RAG에 필요한가?

방식	측정하는 것	놓치는 것
벡터 유사도만	의미적 유사성	구조적 중요도
PageRank만	연결 중요도	질문 관련성
벡터 + PageRank	의미 + 구조	없음 (최적)

실측 효과:

• Baseline (벡터만): 정답률 72%
• +PageRank 리랭킹: 정답률 81% (+9%p)
• +커뮤니티 요약: 정답률 89% (+17%p, Global Search)

---

핵심 개념

하이브리드 리랭킹 공식

Neo4j GDS로 PageRank 계산

커뮤니티 탐지 → Global Search

Global Search 흐름:

Python 통합 코드

Neo4j GDS 파이프라인 최적화

---

자주 하는 실수

자주 하는 실수

1. PageRank를 매 쿼리마다 계산

2. α 값 고정

3. GDS 프로젝션 메모리 누수