Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
대화형 상품 검색 어시스턴트의 효율성을 높이기 위한 속성 지향적 선호도 도출 프레임워크인 D2D를 제안합니다. 제품 속성 구조를 활용해 정보량이 많은 쿼리에 우선순위를 부여함으로써, 정확한 추천과 대화 시간 단축을 동시에 달성합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기대화형 상품 검색 어시스턴트(Conversational product search assistants)는 전통적인 키워드 기반 상품 검색에 비해 더 표현력이 풍부하고 자연스러우며 상호작용적인 대안을 제공합니다. 제한된 화면 공간으로 인해 단 몇 개의 아이템만 보여주어야 하므로, 정밀한 선호도 도출 (preference elicitation)의 필요성이 높아지며, 이는 대화를 길어지게 만들어 사용자의 좌절과 세션 이탈을 초래할 수 있습니다. 반대로, 선호도에 대한 명확한 이해 없이 서둘러 아이템을 추천하는 것은 부적절한 매칭과 사용자 경험 저하의 위험을 수반합니다. 본 논문에서는 제품 속성의 구조를 동적으로 활용하여 대화를 사용자가 원하는 아이템으로 효율적으로 유도하는 속성 지향적 선호도 도출 프레임워크인 Dialogue to Discovery (D2D)를 제시합니다. D2D는 가장 정보가 많은 쿼리 (queries)에 적응적으로 우선순위를 부여하고 전략적인 시점에 상품 추천을 수행함으로써, 참여도를 저해하는 성급하거나 목표에서 벗어난 제안을 줄입니다. D2D를 평가하기 위해 Amazon Reviews 코퍼스에서 세 개의 데이터셋을 큐레이션했습니다. 다요인 공리주의적 인내 프레임워크 (multi-factor utilitarian patience framework)를 사용하여 모델링된 시뮬레이션 대화에서, D2D는 최신 기술 기준점 (state-of-the-art baselines) 대비 목표 탐색 정확도에서 22.2-29.9% 향상, 이탈률 6.6-16.1% 감소, 평균 대화 시간 27.5% 단축을 달성했습니다. 보완적인 사용자 연구를 통해 사용자 만족도와 인지된 효율성 모두에서 유의미한 이득이 있음을 추가로 확인했습니다.