Text Matching-Driven Knowledge Selection for Knowledge-Grounded Conversation
연구 내용
외부 지식에서 적절한 문장을 찾기 위해 컨텍스트-지식 매칭 전략을 설계하고, 이를 지식기반 대화 생성에 적용하는 연구
지식기반 대화 생성에서 외부 지식의 적절한 문장 선택이 응답의 정보성과 맥락 일치에 직접적임을 전제로 연구합니다. Reduce-Match 방식은 대화 컨텍스트를 하나의 벡터로 요약해 핵심 특징을 보존한 뒤, 지식 문장 표현과 비교해 관련 지식을 예측합니다. Match-Reduce 방식은 각 턴을 지식 문장과 세밀하게 매칭한 후 정보 손실을 최소화하며 집계하여 선택을 수행합니다. 선택된 지식을 기반으로 생성 모델의 응답 성능도 함께 개선하도록 학습 구조를 구성합니다.
관련 연구 성과
관련 논문
1편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
2020년에 외부 지식 문장 선택을 별도의 신경 선택기로 두고, 이후 생성에 연결하는 지식기반 대화 접근을 제안했습니다. 컨텍스트를 단일 표현으로 축약하는 Reduce-Match 전략과, 턴-문장 간 상호작용을 유지하는 Match-Reduce 전략을 비교하며 모델 설계를 구체화했습니다. 이후 2022년에는 지식 선택을 문서 검색 범위 설정과 결합하는 흐름의 연구로 이어져, 대화 주제와 로컬 맥락을 함께 반영한 retrieval-augmented 생성으로 확장되는 기반을 제공했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Exploiting Text Matching Techniques for Knowledge-Grounded Conversation