earticle

영어

The searching service of Nara Market(g2b.go.kr) is so inaccurate that many users feel uncomfortable. Procurement companies that want to participate in bidding are spending a lot of time searching for tender notices, resulting in waste of business hours. In this paper, we study the method of deriving a neural network-based information retrieval model to replace the uncomfortable and inaccurate search service of the Nara Market tender notice. We tried to improve user satisfaction by re-ranked search results based on BERT, which brought remarkable development in information retrieval. In order to preprocess the data required for neural network-based IR model training, document was divided into passages based on existing studies, and keywords were extracted from the passages to generate pseudo-queries. Q-d pairs were generated as pseudo-label using BM25 model of Elastic Search with the generated pseudo-queries. An IR model suitable for tender notice data developed through various experiments according to changes in hyperparameter values such as the amount and type of learning dataset, batch size, learning rate, and positive labeling ratio. The developed IR model showed much more accurate search results than the current Nara Market.

한국어

나라장터(g2b.go.kr)의 검색 기능은 매우 부정확하여 많은 사용자들이 불편을 느끼고 있다. 입 찰에 참여하려는 조달 기업은 입찰공고의 검색에 많은 시간을 소비하여 업무시간의 낭비를 초래하고 있다. 본 논문에서는 나라장터 입찰공고의 불편하고 부정확한 검색기능을 대체할 신경망 기반의 정보 검색 모델을 도출하는 방안을 연구하였다. 자연어 검색에 획기적인 발전을 가져온 BERT를 기반으로 검색결과를 리랭킹함으로써 사용자의 만족도를 향상시키고자 하였다. 신경망 기반 IR모델 학습에 필 요한 데이터를 전처리하기 위하여 기존의 연구를 토대로 문서를 구절로 분할하고, 분할된 구절에서 키 워드를 추출하여 의사-질의를 생성하였다. 생성된 의사-질의를 입력으로 엘라스틱 서치의 BM25모델 을 사용하여 의사-레이블인 질의-문서쌍(q-d pair)을 생성하였다. 학습용 데이터셋의 양과 유형, 배치 크기, 러닝 레이트, positive 라벨링 비율 등의 하이퍼파라미터 값 변화에 따른 다양한 실험을 통하여 입찰공고 데이터에 적합한 IR모델을 개발하였다. 개발된 IR모델로 실제 입찰공고 조회시 현행 나라 장터보다는 훨씬 정확한 검색결과를 보여주었다.