Unify Graph Learning with Text: Unleashing LLM Potentials for Session Search
Created by
Haebom
저자
Songhao Wu, Quan Tu, Hong Liu, Jia Xu, Zhongyi Liu, Guannan Zhang, Ran Wang, Xiuying Chen, Rui Yan
개요
본 논문은 사용자의 복잡한 정보 요구를 충족시키기 위한 일련의 상호 작용적 질의와 행동을 포함하는 세션 검색에 대해 다룹니다. 기존의 세션 검색 전략들은 심층적인 의미 이해를 위해 순차적 모델링을 우선시하는 반면, 상호 작용의 그래프 구조는 간과합니다. 본 논문에서는 최근의 대규모 언어 모델(LLM)의 장점을 활용하여 텍스트 기반 및 그래프 기반 접근 방식을 모두 활용하는 Symbolic Graph Ranker (SGR)를 제안합니다. SGR은 세션 그래프를 텍스트로 변환하기 위한 일련의 기호적 문법 규칙을 도입하여 세션 히스토리, 상호 작용 과정 및 작업 지침을 LLM의 입력으로 원활하게 통합합니다. 또한, 그래프 구조를 포착하기 위해 링크 예측, 노드 콘텐츠 생성 및 생성적 대조 학습 등의 자기 지도 학습 작업을 도입하여 LLM이 거시적 수준에서 미시적 수준까지 위상 정보를 포착할 수 있도록 합니다. AOL 및 Tiangong-ST 두 개의 벤치마크 데이터셋에 대한 실험 결과는 제안된 방법의 우수성을 확인합니다.
시사점, 한계점
•
시사점:
◦
기존 세션 검색 전략의 한계를 극복하고, 텍스트 기반 및 그래프 기반 접근 방식을 통합한 새로운 세션 검색 방법 제시.
◦
LLM을 활용하여 세션 그래프의 구조적 정보와 텍스트적 의미를 효과적으로 결합.
◦
자기 지도 학습을 통해 LLM의 그래프 구조 이해 능력 향상.
◦
실험 결과를 통해 제안된 방법의 우수성 검증.
◦
기존 검색 전략과 최신 LLM을 연결하는 효과적인 방법론 제시.
•
한계점:
◦
제안된 기호적 문법 규칙의 일반화 가능성 및 다양한 유형의 세션 검색에 대한 적용성 검토 필요.
◦
자기 지도 학습 과정의 효율성 및 최적화 방안에 대한 추가 연구 필요.
◦
특정 벤치마크 데이터셋에 대한 실험 결과이므로, 다른 데이터셋에 대한 일반화 성능 검증 필요.
◦
LLM의 성능에 의존적인 부분이 존재하여, LLM의 한계가 SGR의 성능에 영향을 미칠 수 있음.
