연관 의도 생성을 통한 이커머스 검색에서의 상품 발견 가능성 향상
Improving Item Discoverability in e-Commerce Search via Related Intent Generation
전통적인 검색 시스템은 검색어(query)와 엄격하게 일치하는 상품을 검색하도록 최적화되어 있어, 재현율(recall)보다 정밀도(precision)를 우선시하는 경우가 많습니다. 이커머스 마켓플레이스, 특히 식료품 부문에서는 사용자 만족도와 상업적 성과가 대체재, 보완재 및 주제별 연관 상품의 발견 가능성에 크게 의존하기 때문에 이러한 패러다임은 한계가 있습니다. 본 논문에서는 의도 기반 재현율 확장을 활용하는 탐색 증강 검색(discovery-augmented search)을 위한 확장 가능한 시스템을 제시합니다. 우리의 접근 방식은 관련성을 유지하면서 후보 재현율을 확장하기 위해 사용자의 암시적 의도를 생성합니다. 이 시스템은 2단계 하이브리드 아키텍처를 통해 생성형 검색의 비용-품질 트레이드오프를 해결합니다. 먼저, 폐쇄형 가중치 대규모 언어 모델(LLM)을 활용하여 헤드(head) 검색어에 대한 발견 가능성을 극대화합니다. 이러한 이점을 테일(tail) 검색어로 확장하기 위해, LoRA 어댑터와 교사-학생 지식 증류(teacher-student distillation)를 통해 학습된 파인튜닝된 소형 언어 모델(SLM)을 도입합니다. 우리는 엄격한 이중 프레임워크를 사용하여 시스템을 평가합니다: (a) 의미적 품질에 대해 인간 선호도와 교차 검증된 LLM-as-a-judge 지표, (b) 엔드투엔드 세션 수준 구매 분석. 실험 결과에 따르면 본 접근 방식은 의도 생성 품질과 다운스트림 검색 효과를 모두 향상시키며, 교사 모델 추론 비용의 약 30% 수준으로 검색 트래픽의 발견 범위를 약 60%에서 80%로 확장하여 대규모 마켓플레이스 배포를 위한 실현 가능한 경로를 제공합니다. 관련성 향상을 넘어, 탐색 증강 검색은 롱테일 및 신규 공급 상품에 검색어 기반 노출 기회를 제공함으로써 마켓플레이스 균형 메커니즘으로 기능할 수 있습니다.