NBQ: 동적 프로파일링을 위한 최적의 다음 질문 (Next-Best-Question)

팟캐스트, 채용 면접, 마켓플레이스를 포함하여 지식 발견 (knowledge discovery)을 위한 많은 실제 대화 환경에서는 사람에 대한 목적 지향적인 이해가 필요합니다. 우리는 최적의 다음 질문 (Next-Best-Question, NBQ) 문제를 연구합니다. 즉, 매 턴마다 면접자는 이미 학습된 내용과 대화 목표를 고려하여 기대 정보 이득 (expected information gain)이 가장 높은 질문을 던져야 합니다. 우리는 다양한 후보 질문 풀을 생성하고, 컴팩트하며 지속적으로 업데이트되는 사용자 상태 (user state)를 유지하며, 턴 예산 (turn budget) 내에서 적응적으로 다음 질문을 선택하고, 결과로 나타나는 자유 형식의 대화를 구조화된 벡터 기반 사용자 프로필 (user profile)로 증류 (distill)하는 플러그 앤 플레이 (plug-and-play) 프레임워크인 NBQ를 제안합니다. 까다로운 응용 분야로서, 우리는 상호 호환성이 필수적이며 각 개인이 자기 기술 (self-description)과 상대방 선호 (counterpart-preference) 표현 모두에 의해 모델링되는 상호 매칭 (reciprocal matchmaking)을 위해 NBQ를 구현합니다. 대규모 매칭을 지원하기 위해, 우리는 상호 매칭을 이차원 쌍별 점수 산출 (quadratic pairwise scoring)에서 근사 벡터 검색 (approximate vector search)으로 재구성하는 효율적인 검색 레이어인 QuickMatch를 추가로 도입합니다. 실험 결과, NBQ는 AC@T와 AR@T에서 각각 최대 13.6%와 14.0%까지 사용자 프로파일링 품질을 향상시키는 반면, QuickMatch는 최대 0.989의 재현율 (recall)과 함께 검색 속도를 최대 22.9배 가속화함을 보여줍니다.