Core Concepts
지식 그래프를 활용하여 고객 서비스 질문에 대한 정확하고 효율적인 답변을 생성하는 방법을 제안한다.
Abstract
이 논문은 고객 서비스 기술 지원에서 과거 해결된 문제를 신속하고 정확하게 검색하는 것이 중요하다는 점을 강조한다. 기존의 검색 기반 생성(retrieval-augmented generation, RAG) 방법은 과거 문제 티켓을 단순 텍스트로 취급하여 내부 구조와 관계를 간과하는 한계가 있었다.
이 연구에서는 RAG와 지식 그래프(knowledge graph, KG)를 결합한 새로운 고객 서비스 질문 답변 방법을 제안한다. 먼저 과거 문제 티켓을 트리 구조로 표현하고 이를 연결하여 KG를 구축한다. 질문 답변 단계에서는 사용자 질문을 파싱하여 관련 서브 그래프를 검색하고, 이를 활용하여 답변을 생성한다.
이 방법은 고객 서비스 구조 정보를 보존하여 검색 정확도를 높이고, 텍스트 분할로 인한 답변 품질 저하를 완화한다. 실험 결과, 기존 방법 대비 MRR은 77.6% 향상되었고 BLEU 점수는 0.32 증가하였다. 또한 LinkedIn 고객 지원팀에 약 6개월간 배포되어 문제 해결 시간을 28.6% 단축하는 성과를 거두었다.
Stats
제안 방법은 기존 방법 대비 MRR(Mean Reciprocal Rank)이 77.6% 향상되었다.
제안 방법은 기존 방법 대비 BLEU 점수가 0.32 증가하였다.
LinkedIn 고객 지원팀에 배포 후 문제 해결 시간을 28.6% 단축하였다.
Quotes
"고객 서비스 기술 지원에서 과거 해결된 문제를 신속하고 정확하게 검색하는 것이 중요하다."
"기존 방법은 과거 문제 티켓을 단순 텍스트로 취급하여 내부 구조와 관계를 간과하는 한계가 있었다."
"제안 방법은 고객 서비스 구조 정보를 보존하여 검색 정확도를 높이고, 텍스트 분할로 인한 답변 품질 저하를 완화한다."