지식 그래프 & 온톨로지
학습 로드맵

Neo4j · 온톨로지 · GraphRAG — 단계별 학습 가이드

전체 학습 흐름
PART 0 · 개념 기초
지식 그래프란 무엇인가? (정의와 철학적 기초)
↓
PART 1 · Neo4j / Cypher
그래프 DB 도구 학습 ↓
PART 3 · KG 구축
Neo4j 단독으로 가능
↓
PART 4 · GraphRAG
독립 경로 또는 합류 가능 ⇌
PART 2 · 온톨로지 / OWL
의미 표현 · 추론 학습 ↓
PART 3 · KG 구축
Triple Store 단독으로 가능
↓
추론 / XAI
PART 1 vs PART 2
비교 기준 PART 1 · Neo4j / Cypher PART 2 · 온톨로지 / OWL
한 줄 요약 데이터를 그래프로 저장·탐색하는 도구 데이터에 의미를 부여·추론하는 체계
핵심 질문 "이 데이터들이 어떻게 연결되어 있지?" "이 데이터가 무엇을 의미하지?"
데이터 모델 Property Graph
(노드 · 관계 · 속성 · 라벨)		 RDF Triple
(주어 · 술어 · 목적어)
질의 언어 Cypher
GQL (ISO 표준)과 유사		 SPARQL
주요 도구 Neo4j Desktop, AuraDB, Workspace Protege, Apache Jena, Fuseki
추론 능력 없음 (명시된 관계만 탐색)
경로 탐색 · 패턴 매칭에 강함		 있음 (명시되지 않은 지식 자동 도출)
OWL 추론기 · SWRL 규칙
강점 빠른 그래프 탐색, 직관적 시각화,
대규모 데이터 처리		 의미 기반 추론, 표준화된 지식 공유,
논리적 일관성 검증
KG 구축 시 Neo4j에 직접 노드·관계 적재
→ PART 3 · PART 4(GraphRAG)로		 Triple Store에 RDF 적재 + 추론
→ PART 3 · 추론/XAI로
PART 0

개념 기초 — "왜 지식 그래프인가?"

가장 중요하지만 흘려듣기 쉬운 파트. 이 질문에 스스로 답할 수 있어야 나머지가 연결됩니다.

이론
  • 지식 그래프(Knowledge Graph)란 무엇인가?
    Google(2012) 이후 학계·업계에서 쓰이는 정의와 핵심 구성요소
  • 데이터를 "저장"하는 것과 "이해"하는 것의 차이
  • RDB vs GraphDB vs 온톨로지 — 세 가지 세계관 비교
  • CWA vs OWA — RDB와 온톨로지의 근본적인 철학 차이
    (CWA: "모르면 거짓" / OWA: "모르면 모르는 것")
  • 지식 표현(Knowledge Representation)의 흐름
    초기 전문가 시스템 → Semantic Web → LLM 시대의 재조명
  • 지식 그래프가 LLM의 무엇을 보완하는가?
    환각(Hallucination) 방지, 근거 기반 응답, 구조적 맥락 제공

팔란티어(Palantir) — 온톨로지 기반 플랫폼 사례

이론
  • Foundry Ontology Layer — 원시 데이터 위에 "객체(Object) · 관계(Link) · 액션(Action)" 계층을 정의
    RDF/OWL이 아닌 자체 온톨로지 모델이지만, 핵심 철학은 동일
  • AIP (Artificial Intelligence Platform) — LLM + Ontology 결합
    LLM이 Ontology Layer를 참조해 환각 없이 실제 데이터 기반으로 응답·의사결정
  • 3-Layer 아키텍처
    Raw Data (데이터 통합) → Ontology (의미 부여) → Application (의사결정 자동화)
  • 왜 팔란티어가 중요한가?
    온톨로지를 "학술 개념"이 아닌 "기업 제품"으로 증명한 대표 사례 — 국방·의료·금융·제조 전 산업에 적용
PART 1

Neo4j & Cypher — 그래프 DB 실전

그래프 데이터베이스의 실용적인 구현 도구. 먼저 손에 익혀두면 이후 파트가 훨씬 수월해집니다.

Ch1. GraphDB 이론

이론
  • Property Graph 모델 (노드 · 관계 · 속성 · 라벨)
  • Property Graph 계열 DB 비교 (Neo4j, TigerGraph, ArangoDB)
  • Cypher와 GQL(ISO 39075) — Neo4j 쿼리 언어와 국제 표준의 관계

Ch2. Neo4j 환경 구축

실습
  • AuraDB (클라우드) / Neo4j Desktop (로컬) 세팅
  • Neo4j Browser / Workspace 사용법
  • Python 연결 — 공식 neo4j 드라이버 + LangChain Neo4jGraph

Ch3. Cypher 기본 문법

이론 실습
  • 노드 · 관계 표현, 변수 / 별칭
  • MATCH · WHERE · RETURN
  • CREATE · MERGE · SET · DELETE · REMOVE

Ch4. Cypher 고급 문법

이론 실습
  • 가변 길이 경로 탐색 [:관계*1..3]
  • 최단 경로 shortestPath()
  • 집계 함수 · WITH 서브쿼리 · UNWIND
  • 복잡한 관계 패턴 결합

Ch5. 인덱스 · 제약조건 · APOC

실습
  • 인덱스(Index) — 조회 성능 최적화
  • 제약조건(Constraint) — 유일성, 존재성 보장
  • APOC 라이브러리 — 데이터 가져오기, 리팩터링, 유틸리티 함수
PART 2

온톨로지 — 데이터에 "의미"를 입히다

의미 표현과 추론의 기반. PART 1과는 독립적인 경로이며, 관심 도메인에 따라 선택할 수 있습니다.

Ch1. 온톨로지란?

이론
  • Gruber의 정의와 현대적 해석
  • 구성요소 — 클래스(TBox) · 인스턴스(ABox) · 속성(Property)
  • 온톨로지 설계 방법론 — Competency Questions 접근법

Ch2. 지식 표현 언어 스택

이론
  • FOL (1차 논리) — 명제와 관계를 형식 논리로 표현하는 체계
  • Description Logic(DL) — OWL의 이론적 기반, FOL의 결정 가능한 부분집합
  • RDF / RDFS — 트리플 구조 (주어 - 술어 - 목적어)
  • OWL — 클래스 계층, 제약조건, 풍부한 의미 표현
  • SWRL — 규칙 기반 추론 (조건 → 판단)
  • SHACL — RDF 데이터 검증 표준 (W3C 권고안)

Ch3. Protege 실습

실습
  • 클래스 · 속성 설계 (Object Property / Data Property)
  • 인스턴스(ABox) 입력
  • OWL 추론기 실행 — 명시되지 않은 지식 자동 도출
  • SHACL로 데이터 유효성 검증

Ch4. Triple Store & SPARQL

실습
  • Apache Jena / Fuseki 설치 및 데이터 적재
  • SPARQL 기본 패턴 (SELECT · WHERE · FILTER · OPTIONAL)
  • SPARQL 고급 — CONSTRUCT · 서브쿼리 · 추론 질의
PART 3

지식 그래프 구축 실전

선택한 경로(Neo4j 또는 온톨로지)를 기반으로 실제 데이터를 지식 그래프로 변환합니다.

Ch1. KG 구축 공통 전략

이론
  • 원본 데이터 → KG 스키마 매핑 전략
  • 정형 데이터 (CSV / Excel / DB) → 지식 그래프 변환
  • 비정형 텍스트 → 지식 그래프 (LLMGraphTransformer)
  • 엔티티 해소(Entity Resolution) — 동일 개체 식별 및 병합
  • 데이터 품질 관리 — 중복 제거, 관계 정합성 검증

Ch2. Neo4j 경로 — Property Graph 기반 구축

실습
  • 라벨 · 관계 타입 설계 및 제약조건 설정
  • GraphDocument 활용 — 노드·관계 일괄 적재
  • 관계 확장 — 새로운 엔티티 연결 추가
  • Neo4j Workspace로 그래프 시각화 및 탐색

Ch3. 온톨로지 경로 — Triple Store 기반 구축

실습
  • 온톨로지(TBox) 정의 → RDF 데이터(ABox) 적재
  • RDF 직렬화 포맷 (Turtle, JSON-LD, RDF/XML)
  • 추론기 실행 — 암묵적 지식 자동 도출
  • SHACL로 적재 데이터 검증

Ch4. 두 세계 연결 — Property Graph ↔ RDF

이론 실습
  • Neo4j n10s(neosemantics) 플러그인 — RDF를 Neo4j로 가져오기
  • 온톨로지로 설계하고 Neo4j로 서빙하는 하이브리드 패턴
  • Property Graph와 RDF 간 데이터 변환 전략

Ch5. KG Embedding 개요

이론
  • KG Embedding이란? — 그래프 구조를 벡터 공간으로 변환
  • 대표 모델 — TransE, ComplEx, RotatE
  • 활용 — 링크 예측, 엔티티 분류, 유사 엔티티 검색
  • PART 4(GraphRAG)의 Vector 검색과의 관계
PART 4

GraphRAG — 지식 그래프로 검색하다

기존 Vector RAG의 한계를 넘어, 구조적 맥락과 관계 추론을 더한 검색 시스템을 구현합니다.

Ch1. GraphRAG 개념

이론
  • 기존 Vector RAG의 한계 — 맥락 단절, 관계 무시
  • GraphRAG가 해결하는 것 — 구조적 맥락 + 관계 추론
  • Microsoft GraphRAG — Local Search vs Global Search, 커뮤니티 탐지 기반 요약
  • GraphRAG 전체 아키텍처 조감도

Ch2. 그래프 알고리즘 기초

이론 실습
  • Community Detection — 밀접한 노드 그룹 탐지 (Louvain, Leiden)
  • Centrality — 중요 노드 식별 (PageRank, Betweenness)
  • Neo4j GDS(Graph Data Science) 라이브러리 활용

Ch3. 검색 방식별 구현

실습
  • Cypher 쿼리 기반 구조 검색
  • Full-text Search (키워드 검색)
  • Vector 의미 검색 (임베딩 + 벡터 인덱스)
  • Text2Cypher — 자연어 → Cypher 자동 변환
  • 하이브리드 검색 — Vector + Graph 결합

Ch4. GraphRAG 파이프라인 구현

실습
  • LangChain / LangGraph로 RAG 파이프라인 구성
  • neo4j-graphrag — Neo4j 공식 GraphRAG 라이브러리
  • GraphRAG 평가 — RAGAS 지표 이해 및 측정