본 논문은 기존 생성형 정보 검색(GenIR) 모델의 토큰 단위 정렬 문제를 해결하기 위해 직접 문서 관련성 최적화(DDRO) 기법을 제안합니다. 기존 GenIR 모델은 다음 토큰 예측에 초점을 맞춰 문서 수준의 관련성을 효과적으로 포착하지 못하는 한계가 있습니다. 강화 학습 기반 방법들은 이 문제를 해결하려 하지만 복잡하고 계산 비용이 많이 드는 단점이 있습니다. DDRO는 쌍대 순위 매기기를 통한 직접 최적화를 통해 토큰 단위 docid 생성과 문서 수준 관련성 추정을 정렬하여, 명시적인 보상 모델링과 강화 학습을 필요로 하지 않습니다. MS MARCO 및 Natural Questions 데이터셋에서의 실험 결과, DDRO는 강화 학습 기반 방법보다 우수한 성능을 보이며, MS MARCO에서는 MRR@10 기준 7.4% 향상, Natural Questions에서는 19.9% 향상을 달성했습니다. 이는 단순화된 최적화 접근 방식으로 검색 효율성을 높일 수 있는 DDRO의 잠재력을 보여줍니다.
