딥 피처 퓨전 네트워크를 활용한 커뮤니티 QA 답변 품질 예측

초록

본 논문은 질문‑답변 쌍과 메타데이터를 입력으로, CNN으로 학습한 딥 피처와 위키피디아·GCD·클릭스루 등 외부 지식을 활용한 손수 만든 특징을 결합한 Deep Feature Fusion Network(DFFN)를 제안한다. 두 종류의 피처를 별도 단계에서 추출한 뒤, 최종 심층 신경망에 통합해 답변 품질을 점수화한다. SemEval‑2015·2016 데이터셋에서 기존 HCF 기반·DL 기반 모델을 모두 능가하는 최신 성능을 기록한다.

상세 분석

DFFN은 크게 두 단계로 구성된다. 1단계에서는 질문과 답변 각각에 대해 300‑차원 GloVe 임베딩을 입력으로 하는 2‑D CNN을 적용한다. 다중 필터와 RReLU 활성화, 최대 풀링을 거쳐 270‑차원 벡터를 추출하고, 질문·답변 벡터를 연결해 540‑차원 딥 피처를 만든다. 2단계에서는 이 딥 피처와 28‑차원의 손수 만든 특징(HCF)을 결합한다. HCF는 크게 세 부류로 나뉜다. 첫째, 위키피디아 기반으로 TagMe 개념 추출 후 Wikipedia Miner를 이용해 인링크·아웃링크 기반 유사도를 계산하고, Google Cross‑Lingual Dictionary(GCD)와의 개념 매칭을 통해 추가 유사도를 얻는다. 둘째, Paragraph2Vec와 Sent2Vec(DSSM·CDSSM) 모델을 학습시켜 질문·답변 텍스트 전체의 의미적 유사도를 코사인 유사도로 측정한다. 셋째, 메타데이터(작성자 평판, 답변 작성자와 질문 작성자의 동일 여부, 질문 카테고리별 통계, 답변 위치·URL·감정표현 등)를 정량화한다. 이러한 HCF는 외부 지식베이스와 클릭스루 데이터에서 얻은 풍부한 시맨틱 정보를 반영해, 순수 CNN이 포착하기 어려운 개체명 변형·동의어·도메인 특화 관계를 보완한다. 두 피처 집합은 이어서 완전 연결층과 Softmax(또는 회귀) 출력층을 갖는 최종 DNN에 입력된다. 손실 함수는 라벨이 3‑클래스(좋음·잠재·나쁨)인 경우 교차 엔트로피, 2‑클래스인 경우 이진 교차 엔트로피를 사용한다. 학습 과정에서 dropout과 L2 정규화를 적용해 과적합을 방지한다. 실험에서는 SemEval‑2015(3‑class)와 SemEval‑2016(2‑class) 베이스라인을 각각 0.78·0.84 정도의 MAP/F1 점수로 설정했으며, DFFN은 0.84·0.89 수준으로 유의미하게 향상되었다. Ablation 연구에서 HCF만, CNN만 사용했을 때 각각 성능이 크게 떨어지는 것을 확인해, 두 피처의 상호보완성이 핵심임을 입증한다. 또한, GCD·TagMe 기반 유사도와 메타데이터가 특히 답변 작성자의 신뢰성을 판단하는 데 큰 기여를 함을 분석한다. 한계점으로는 외부 지식베이스에 의존하는 HCF가 도메인‑특화 포럼에서는 적용이 어려울 수 있고, CNN 구조가 비교적 얕아 긴 문맥을 충분히 포착하지 못한다는 점을 언급한다. 향후 연구에서는 Transformer‑ 기반 인코더와 지식 그래프 임베딩을 결합해 더 깊은 의미 연결을 탐색하고, 도메인‑적응 메커니즘을 도입해 일반화 능력을 강화할 여지가 있다.