대화형 시스템에서 효과적인 의사결정과 문제 해결을 위해서는 목표 지향적인 질문을 통해 누락된 정보를 식별하고 획득하는 능력이 필요합니다. 본 논문에서는 대규모 언어 모델(LLM)을 활용하여 정보 탐색 질문을 생성하고, 몬테카를로 트리 탐색(MCTS)을 통해 정보 이득을 극대화하는 질문을 전략적으로 선택하는 새로운 프레임워크를 제시합니다. 특히, 과거 상호 작용 패턴을 활용하여 미래 전략을 안내하는 계층적 피드백 메커니즘을 도입하여 유사한 문제에 효과적이었던 질문 경로를 우선적으로 선택합니다. 의료 진단 및 기술적 문제 해결 분야에 대한 실험 결과, 제시된 방법은 기존 최첨단 방법에 비해 성공률을 평균 12% 향상시키고, 대화당 계획에 필요한 LLM 호출 횟수를 약 10배 줄였습니다. 또한, 가능성의 제한된 집합으로 시작할 경우 성공률이 평균 8% 추가적으로 향상되었습니다. 이는 피드백 인식 MCTS가 목표 지향적 대화에서 정보 탐색을 향상시키는 데 효과적임을 보여줍니다.
