Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
이커머스 검색에서 사용자의 암시적 의도를 생성하여 아이템 발견 가능성을 높이는 '발견 증강 검색' 시스템을 제안합니다. 2단계 하이브리드 아키텍처를 통해 LLM의 품질과 소형 언어 모델(SLM)의 효율성을 결합하여 비용 문제를 해결했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기전통적인 검색 시스템은 쿼리(Query)와 엄격하게 일치하는 아이템을 검색하도록 최적화되어 있으며, 종종 재현율(Recall)보다 정밀도(Precision)를 우선시합니다. 이커머스 마켓플레이스, 특히 식료품 분야에서 이러한 패러다임은 제한적입니다. 사용자 만족도와 상업적 결과가 대체재, 보완재 및 주제 관련 아이템의 발견 가능성(Discoverability)에 크게 의존하기 때문입니다. 본 논문에서는 의도 조건부 재현율 확장(Intent-conditioned recall expansion)을 활용하는 발견 증강 검색(Discovery-augmented search)을 위한 확장 가능한 시스템을 제시합니다. 우리의 접근 방식은 관련성을 유지하면서 후보 재현율을 확장하기 위해 암시적 사용자 의도(Implicit user intents)를 생성합니다. 이 시스템은 2단계 하이브리드 아키텍처를 통해 생성형 검색(Generative retrieval)의 비용-품질 트레이드오프(Cost-quality tradeoff) 문제를 해결합니다. 먼저, 헤드 쿼리(Head queries)에 대한 발견 가능성을 극대화하기 위해 폐쇄형 가중치 대규모 언어 모델(Closed-weight LLMs)을 활용합니다. 이러한 이점을 테일 쿼리(Tail queries)로 확장하기 위해, LoRA 어댑터와 교사-학생 증류(Teacher-student distillation)를 통해 학습된 미세 조정된 소형 언어 모델(Finetuned SLM)을 도입합니다. 우리는 엄격한 이중 프레임워크를 사용하여 시스템을 평가합니다: (a) 의미론적 품질에 대해 인간의 선호도와 검증된 LLM-as-a-judge 지표, (b) 엔드투엔드 세션 수준 구매 분석. 결과에 따르면 우리의 접근 방식은 의도 생성 품질과 다운스트림 검색 효과를 모두 개선하며, 교사 모델(Teacher model) 추론 비용의 약 30% 수준에서 쿼리 트래픽의 발견 범위를 약 60%에서 80%로 확장하여 대규모 마켓플레이스 배포를 위한 실행 가능한 경로를 제공합니다. 관련성 이득을 넘어, 발견 증강 검색은 롱테일(Long-tail) 및 신규 공급업체에 쿼리 조건부 노출 기회를 제공함으로써 마켓플레이스 균형 메커니즘 역할을 할 수 있습니다.