본 논문은 비즈니스 인텔리전스(BI) 분야에서 사용자의 분석적 요구를 충족하는 관련 차트를 찾는 데 중요한 역할을 하는 텍스트-차트 검색 시스템의 한계를 해결하기 위해 제안된 연구를 다룹니다. 기존 시스템은 차트의 의미론적 내용과 상황 정보를 충분히 포착하지 못하는데, 이는 포괄적인 메타데이터 부족 때문입니다. 이를 해결하고자 본 논문에서는 차트에 대한 계층적 의미론적 통찰력을 자동으로 생성하는 데이터 개발 파이프라인을 제안합니다. 이 파이프라인은 시각적 패턴, 통계적 속성, 실제 응용 프로그램 등 세 가지 측면을 다루며, 69,166개의 차트에 대해 207,498개의 의미론적 통찰력을 생성합니다. 이를 기반으로, CLIP 기반 모델인 ChartFinder를 훈련하여 텍스트-차트 검색을 위한 차트의 표현을 향상시킵니다. 실험 결과, ChartFinder는 다양한 설정에서 기존 방법보다 텍스트-차트 검색 작업에서 성능이 크게 향상됨을 보여줍니다. 특히 정확한 쿼리에서는 최첨단 모델보다 11.58% 높은 66.9%의 NDCG@10를 달성하였고, 모호한 쿼리에서도 대부분의 지표에서 평균 5% 향상을 보였습니다. 또한, 실제 BI 응용 프로그램에서 수집한 21,862개의 차트와 326개의 텍스트 쿼리로 구성된 새로운 벤치마크 CRBench를 제시합니다.
