[데뷰23] 네이버 '에어서치'는 어떻게 사용자 의도를 잘 알아챌까

임희재 어댑티브 검색팀 테크리더 '데뷰2023'서 반응형 모델 기술 소개

웹이나 모바일 앱에서 네이버를 누르면, 네모난 검색창이 나타난다. 네이버는 재작년 이 작은 공간에 인공지능(AI) 기술을 집약한 초개인화 검색 서비스 ‘에어서치’를 더해, 이용자 개개인 취향과 검색 의도를 스마트블록 단위로 세분화했다.

에어서치 중 사용자 행동 변화에 따라 원하는 정보를 AI가 선별해주는 ‘반응형’ 추천 모델은 어떤 방식으로 구현될까. 

임희재 네이버 어댑티브 검색팀 테크리더는 27일 서울 코엑스에서 열린 개발자 컨퍼런스 ‘네이버 데뷰(DEVIEW) 2023’에서 반응형 검색 모델 추천 기술에 대해 소개했다.

우선 네이버 검색 팀은 검색어를 통해 이용자 의도를 예측한다. 개개인 검색 만족도를 높이기 위해 원하는 정보와 검색 목적을 유추하는 데 우선순위를 둔다. 가령 ‘제주도 여행’을 검색한 이용자의 경우, 쇼핑(3%)이나 뉴스 구독(0.1%)보다 여행 후기 등 정보 탐색 의도(93%)가 높은 빈도를 차지한다.

임희재 어댑티브 검색팀 테크리더는 27일 서울 코엑스에서 열린 개발자 컨퍼런스 ‘네이버 데뷰(DEVIEW) 2023’에서 반응형 검색 모델 추천 기술에 대해 소개하고 있다.

다음은 검색 의도를 구체화하는 단계다. 제주도 여행을 검색했다면 도내 맛집을 추천받기 위한 것인지, 혹은 특정 관광지에 대한 정보 검색이 목적인지 등 여부를 확인해야 한다. 이용자 검색 문서(D)에 고등어 맛집 식당(D1)과 제주도 겨울여행(D2), 가파도 배시간(D3)이 차례로 노출됐고, 이때 D1, D2에 반응하지 않고 스크롤 통과 후 D3를 눌렀다고 가정하면 이 이용자는 가파도 방문을 위한 정보 취득이 목적이라는 얘기다.

이처럼 사용자 행동을 토대로 의도를 이해하고, 이를 구체화해 빠르게 콘텐츠를 제공하는 게 에어서치 반응형 모델 핵심이다. 이용자별 관심사와 검색한 이유에 대해 구체화하고, 이 결과를 최적화해 빠르게 이용자가 원하는 콘텐츠를 접할 수 있도록 한다.

네이버 에어서치 반응형 모델 구조.

반응형 문제를 풀기 위한 과정은 이렇다. 이용자 검색어(Q)와 클릭 문서, 취향 정보 등 ‘인풋’ 패턴을 가지고, 검색 의도와 얻고자 하는 콘텐츠를 좁혀나가는 것이다. 예를 들어 국내여행(Q1)과 제주도여행(Q2)을 찾아본 이용자가, 가파도(Q3-1)와 일본여행(Q3-2)을 추가로 검색했다고 가정해보자.

이때 제주도 중 가파도 여행이 목적이라는 결론을 도출해 이용자 의도를 좁혀나가는 내로우 다운(narrow down), 여행이라는 목적은 동일하나 국내에 한정하지 않고 목적을 확장해 나가는 사이드-바이-사이드(side-by-side) 두 가지 접근 방식이 있다.

임 책임리더는 “방향을 이렇게 정의한 건 사용자 문서를 추천할 때 의도에 부합해야 하기 때문”이라며 “애로사항과 사이드-바이-사이드엔 추천해야 할 범위나 영역이 달라 문제 특징을 먼저 발견할 필요가 있다”고 말했다.

반응형 모델 중 검색과 추천 융합 형태.

또 기존 검색, 추천 모델 대비 반응형 모델에선 검색어와 열람 문서를 융합한 문서를 제공하는 게 특징점이다. 이를테면 단순 ‘베이컨’을 검색했을 때, 베이컨 영양소라는 결과가, ‘시금치 볶음’ 문서를 눌렀을 때 레시피가 추천된다면 반응형 모델에선 이를 화합해 베이컨 관련 볶음 반찬을 추천해주는 맞춤형 서비스가 제공되는 것이다.

반응형 모델 문제 해결 과정.

이어 임 리더는 반응형 문제를 해결하기 위한 절차를 설명했다. 클릭한 문서 제목에서 사용자 최우선 의도를 표현하는 키워드를 찾아, 네이버 언어모델 기반으로 유사성이 높은 검색어를 학습해 데이터를 구축한다. 데이터 빈도에 따라 적합한 추천 검색어를 얻는 과정이 반복된다.

사용자가 ‘아기옷’을 검색한 뒤 ‘패딩 추천’ 문서를 눌렀다면 의도는 아이들이 입을 옷을 찾는 것으로, 학습 데이터를 토대로 ‘키즈롱패딩’이라는 키워드를 추천받는 구조다. 클릭한 문서를 시작점으로 검색어와 키워드, 문서를 알고리즘 기반 무작위로 수행해 특정 결과값을 얻거나 이용자 취향에 적합한 문서를 성별, 세대별 선호도에 따라 분류해 추천하는 방법도 있다.

서비스 시행착오를 최소화하기 위한 방법도 소개했다. 임 리더는 “막연히 풀고 싶은 큰 문제를 구체적이고 해결 가능성이 있는 작은 문제로 정의하면 모델 개발과 평가, 서비스 적용 과정에서 사용자 피드백으로 새로운 문제를 빠르게 확장할 수 있다”며 “AB테스트를 활용해 최종 검증 모델을 서비스에 적용하거나, 체류시간과 카테고리별 클릭률 등 이용자 만족도와 패턴을 지표로 파악해 모니터링할 수 있다”고 설명했다.