PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.28048v1cs.CL

TEMPS: 시계열 정보 검색을 위한 시간적 문장 임베딩

TEMPS: Temporal Sentence Embeddings for Temporal Information Retrieval

현대 정보 검색(IR) 시스템은 시간을 거의 표현하지 못하지만, 많은 정보 요구는 시간에 의존합니다. 임상, 저널리즘, 법률 검색 등에서는 사건이 언제 발생했는지가 문서의 관련성 여부를 결정할 수 있습니다. 밀집 검색기(dense retriever)와 검색-증강 생성(RAG) 파이프라인은 주제 측면에서는 질의와 문서를 잘 매칭하지만 시간 측면에서는 제대로 매칭하지 못하여, 주제에는 부합하지만 시간적으로는 잘못된 콘텐츠를 표출합니다. 본 논문에서는 두 개의 기준 시점이 지정된 텍스트가 주제적 유사성과 무관하게 시간상으로 얼마나 잘 일치하는지를 측정하는 과제인 시간적 텍스트 유사도(TTS, Temporal Textual Similarity)를 소개합니다. 이어서 고정된(frozen) 의미론적 검색기에 부착되어 해당 신호를 바탕으로 학습하는 모듈형 시간 브랜치인 TEMPS(Temporal Embedding Model for Precise Search)를 제안합니다. 이는 기준 시점이 지정된 시간 표현을 구간(interval)으로 해소(resolve)하고 각각을 가우시안에 모멘트 매칭(moment-match)합니다. 여기서 도출된 순서는 기준 날짜 조건부 인코더를 지도(supervise)하며, 이 인코더의 점수는 추론 시 의미론적 점수와 융합됩니다. 그라운딩(grounding)이 지도 신호를 제공하므로 학습에 수작업으로 라벨링된 시간 데이터를 사용하지 않습니다. 시간 점수 자체는 분포 임베딩의 가우시안-KL 포함 측정(Gaussian-KL inclusion measure)이며, TEMPS가 추가하는 것은 그라운딩과 모멘트 매칭된 지도 신호입니다. 세 가지 시간 벤치마크에서 TEMPS는 테스트된 모든 의미론적 백본의 MRR을 향상시켰으며, TS-Retriever에서는 기존 시간적 SOTA 대비 R@1을 19.92에서 25.39로 끌어올렸습니다.