LLM 기반 그래프 상품 검색: 아키텍처와 실제 사례
텍스트 쿼리 기반 상품 검색은 1~2문장 길이의 요청을 처리해야 합니다. 예상 시나리오에는 단순 쿼리("청바지"), 의미론적 검색(스웨터 → 스웨트셔츠), 부정 표현("면이 아닌 드레스"), 형용사("화려한 드레스"), 구조화된 설명("짧은 소매가 있는 롱 드레스"), 다중 개체("흰색 상의와 파란색 청바지"), 목적 기반 쿼리("운동화"), 브랜드/가격 언급("2만원 미만 코스 가방"), 공인 참조("두아 리파 같은 가방") 등이 포함됩니다.
이러한 쿼리는 키워드 및 벡터 검색을 넘어 관계와 맥락 분석이 필요합니다.
그래프 표현의 장점
그래프는 개체뿐만 아니라 개체 간의 관계도 저장합니다. "탱크톱" 같은 쿼리의 경우, "리바이스 청바지, 상의와 잘 어울림"이라는 상품 설명은 거짓 긍정 매치를 발생시키지 않습니다: 쿼리 그래프에서 "탱크톱"은 주요 객체에 연결되지만, 상품에서는 그렇지 않습니다. 그래프 간 유사도 메트릭이 이를 고려하여 점수를 낮춥니다.
"청바지"의 경우 구조의 의미론적 정렬로 인해 점수가 높습니다.
그래프를 통해 노드 역할을 구분할 수 있습니다: 원하는 상품, 원하지 않는 속성, 객체의 일부.
LLM 그래프 검색 파이프라인
알고리즘은 순차적 단계로 구성됩니다:
- 동적 프롬프트 최적화: 쿼리 복잡도 분석, 브랜드/가격 추출. 단순 쿼리(1~2단어)의 경우 키워드 또는 벡터 검색으로 폴백. Text2Graph용 프롬프트 구성.
- Text2Graph: LLM이 쿼리에서 지식 그래프 구성. 다중 개체에 대한 하위 그래프로 분할.
- 그래프 검색: 그래프 간 유사도를 사용하여 쿼리 그래프와 상품 그래프 비교. 상위 N개 인덱스 출력.
- LLM 랭커: 정확도 향상을 위해 후보 재정렬.
- 결과 평가: 매치/불일치 분석(유형은 찾았지만 색상은 아님). 점수가 낮으면 반복 또는 폴백.
10~15초의 지연 시간은 RAG 유사 시스템에서 허용 가능합니다.
복잡 쿼리 처리 예시
부정 표현
쿼리: "소매 없는 우아한 롱 드레스." 그래프는 "소매"를 원하지 않는 속성으로 표시합니다. 검색은 소매가 있는 상품을 제외하고 "우아한", "롱" 속성을 가진 드레스에 초점을 맞춥니다.
구조화된 쿼리
"짧은 소매가 있는 롱 드레스." 그래프: 드레스(롱) → 소매(짧음). 알고리즘은 계층적 구조를 가진 상품을 찾으며, 깊이 제한이 없습니다. 중첩 조건(상태/날짜별 필터가 있는 애플리케이션)이 있는 문서에 유용합니다.
다중 개체
"흰색 청바지와 파란색 가방." Text2Graph가 하위 그래프로 분할, 병렬 검색 실행. 집합 매칭 가능("파란색 재킷과 파란색 바지"에 대한 파란색 정장), 하지만 평가에서 거짓 폴백을 피하기 위해 정제 필요.
유형 없는 목적
"운동화." 그래프가 사용 시나리오로 확장, 의미론으로 매칭.
브랜드와 가격
"1만2천원 미만 리바이스 청바지." 필터가 Text2Graph에서 추출, 그래프에 통합. 텍스트 평가("저렴한")는 유사 상품 통계 기반.
핵심 요약
- 그래프 검색은 부정 표현과 관계가 있는 구조화된 쿼리에서 벡터 검색보다 성능이 우수합니다.
- 파이프라인은 도메인 독립적(프롬프트 최적화 제외), 책/문서에 적용 가능합니다.
- 결과 평가를 통해 사용자에게 보여주지 않고 반복 가능합니다.
- 벡터화와 선택적 랭커로 지연 시간 2~3초로 단축.
- 미래 전망: 복잡도 기반 라우팅, 멀티모달 모델, 심층 연구.
— Editorial Team
아직 댓글이 없습니다.