최근 발표된 연구 논문에서 사용자 참여를 극대화하기 위한 새로운 생성형 질의 제안(Generative Query Suggestion) 프레임워크가 소개되었습니다. 이 기술은 사용자의 잠재적 의도를 예측하고 관련성 높은 후속 질의를 추천함으로써 검색 경험을 향상시키는 것을 목표로 합니다. 핵심 과제는 개별 질의의 유용성을 유지하면서도 추천 목록이 다양한 사용자 의도를 포괄하도록 하는 것입니다.
제안된 '의도 주도 질의 제안 프레임워크(Intent-Driven Query Suggestion Framework)'는 두 단계의 최적화 과정을 거칩니다. 첫째, '의도 인식 다양성 모델링(intent-aware diversity modeling)'은 의도에 맞춰 정렬된 지도 미세조정(SFT) 데이터를 구축하고, '의도 인식 다양성 보상(Intent-Aware Diversity Reward)'을 활용하여 의도 커버리지를 최적화합니다. 둘째, '질의 수준 크레딧 할당(query-level credit assignment)'은 개별 질의 토큰에 품질 신호를 할당하면서도, 추천 목록 전체의 다양성 신호를 공유하는 방식으로 작동합니다. 이는 각 질의의 품질과 전체 목록의 다양성을 동시에 고려하는 정교한 접근 방식입니다.
연구팀은 대규모 실제 운영 데이터셋을 활용한 오프라인 평가와 온라인 A/B 테스트를 통해 이 프레임워크의 효과를 검증했습니다. 그 결과, 사용자 클릭률(CTR)과 추천 질의의 품질, 그리고 사용자 의도 커버리지 측면에서 모두 상당한 개선을 이루어냈습니다. 이는 검색 시스템이 단순히 관련성 높은 질의를 제공하는 것을 넘어, 사용자의 숨겨진 니즈와 다양한 탐색 경로를 효과적으로 지원할 수 있음을 시사합니다. 이러한 발전은 검색 엔진, 전자상거래 플랫폼, 콘텐츠 추천 시스템 등 다양한 분야에서 사용자 경험을 혁신할 잠재력을 가지고 있습니다.