제목: 텍스트 임베딩과 군집 특징을 결합한 대화 문맥 이탈 탐지 모델
요약: 대화형 인공지능의 응답은 현재 사용자의 요청에 적합해야 하며, 현재 요청과 관련된 이전 대화의 내용도 반영해야 한다.
그러나 현재 질문과 응답의 관계만 평가하는 방식은 대화의 흐름이나 여전히 유효한 과거 조건과의 충돌을 충분히 반영하기 어렵다.
따라서 현재 요청에 대한 적절성과 이전 대화와의 일관성을 함께 평가하는 문맥 이탈 탐지 방법이 필요하다.
본 연구에서는 이러한 문제를 해결하기 위해 문장 임베딩, 군집 관계 및 대화 순서 정보를 결합한 문맥 이탈 분류 모델을 제안한다.
Jina의 사전학습된 군집용 어댑터를 적용하여 개별 메시지를 벡터로 표현하고, 메시지와 군집 중심의 거리 및 검사할 응답과의 관계를 특징으로 구성한다.
이를 LSTM으로 순차 처리하여 대화의 흐름을 반영하고, 현재 질문과 과거 대화를 구분한 표현을 분류기에 전달하여 응답의 문맥 이탈 여부를 판단한다.
AI Hub의 한국어 대화 응답 평가 자료를 활용한 실험에서 응답의 적절성과 일관성을 기준으로 문맥 이탈 탐지 가능성을 확인하였다.
추가 검증을 위해 선정한 한국 영화 대화의 무작위 중간 위치에 문맥 유지 응답, 문맥 이탈 응답을 각각 삽입한 통제 사례를 구성하고, 판정 결과를 비교하였다.
향후 Few-shot Learning을 통해 소량의 실제 대화 사례로 모델을 적응시키고, 실제 대화 환경에서 문맥 이탈 탐지 성능을 검증할 예정이다.
키워드: 문맥 이탈 탐지, 문장 임베딩, 군집 관계 특징, LSTM, Few-shot Learning
학위연월: 2027년 2월
E-mail: khg9969@pusan.ac.kr
지도교수: 김태운 교수님
학위논문 소개 웹페이지: https://khg9969-ops.github.io/context-drift-thesis/