본 논문은 비즈니스 인텔리전스(BI) 분야에서 사용자의 분석적 요구를 충족하는 관련 차트를 찾는 데 중요한 역할을 하는 텍스트-차트 검색 시스템의 한계점을 해결하고자 제안된 연구이다. 기존 시스템은 차트의 의미론적 내용과 문맥 정보를 제대로 포착하지 못하는데, 이는 포괄적인 메타데이터 또는 의미적 통찰력의 부족 때문이다. 이를 해결하기 위해 본 논문에서는 시각적 패턴, 통계적 특성, 실제 응용 프로그램을 포함하는 계층적 의미적 통찰력을 자동으로 합성하는 교육 데이터 개발 파이프라인을 제안한다. 이를 통해 69,166개의 차트에 대한 207,498개의 의미적 통찰력을 생성하고, 이를 바탕으로 CLIP 기반의 텍스트-차트 검색 모델인 ChartFinder를 학습시켰다. 실제 BI 애플리케이션에서 수집한 21,862개의 차트와 326개의 텍스트 쿼리로 구성된 새로운 벤치마크 CRBench를 사용하여 실험을 진행한 결과, ChartFinder는 다양한 설정에서 기존 방법보다 성능이 훨씬 우수함을 보였다. 정확한 쿼리에서는 최대 66.9%의 NDCG@10를 달성하여 최첨단 모델보다 11.58% 높았고, 모호한 쿼리 작업에서도 대부분의 지표에서 평균 5%의 향상을 보였다.
