메모리 증강형 대화 인공지능을 위한 시간 지시어 해소 연구 : 문맥 기반 데이터셋 구축을 중심으로

국문 초록 (Abstract)

대화 시스템에서는 시간적 문맥을 이해하는 것이 턴 간 일관성을 유지하는 데 필수적이다. 핵심 과제 중 하나는 대화 내 시간 표현을 해석하는 것이다. 이러한 표현의 의미는 화자의 관점과 대화의 흐름에 따라 자주 변한다. 그러나 기존의 시간 정규화 기법은 주로 뉴스 기사나 내러티브 같은 형식적인 텍스트를 대상으로 개발되었기 때문에, 고정된 기준 시점에 의존한다. 이로 인해 시간 참조가 동적으로 변하는 다중 턴 대화에서는 한계가 발생한다.
이에 본 연구에서는, ISO 8601 표준 형식으로 정규화된 시간 참조가 주석된 턴 단위 대화 데이터셋을 구축한다. 이를 기반으로 대형 언어 모델(LLM) 을 미세 조정하여 시간 지시어를 해소하도록 학습시켰다. 그 결과 모델은 GPT-4o 대비 exact match accuracy에서 최대 68%, datetime value accuracy에서 32% 향상된 성능을 보였다. 또한 해당 모델을 메모리 검색에 통합함으로써, 대화 생성의 품질도 향상되었다. 이러한 결과는 시간 이해가 메모리 증강형 대화 인공지능을 구축하는 데 있어 핵심적인 요소임을 강조한다.

다국어 초록 (Multilingual Abstract)

In dialogue systems, understanding temporal context is essential for maintaining consistency across turns. One of the core challenges is interpreting temporal expressions whose meanings often shift depending on the speaker’s perspective and the conversational flow. However, existing temporal normalization techniques, which are primarily designed for formal texts such as news articles or narratives, rely on a fixed reference time. This limitation hinders their performance in multi-turn dialogues where temporal references change dynamically.
To address this issue, we constructed a turn-level dialogue dataset annotated with temporally normalized expressions following the ISO 8601 standard. Using this dataset, we fine-tuned a large language model (LLM) to resolve temporal expressions within conversations. Experimental results show that the model outperformed GPT-4o by up to 68% in exact match accuracy and 32% in datetime value accuracy. Moreover, integrating the model into a memory retrieval framework led to improved dialogue generation quality. These findings highlight that temporal understanding is a key component in building memory-augmented conversational AI systems.

목차 (Table of Contents)

• 제1장 서론 1
• 1. 연구목적 1
• 2. 연구방법론 3
• 제2장 관련 연구 5
• 1. 대화 시스템에서의 메모리 검색 5
• 2. 시간 정규화와 지시 표현 해소 6
• 제3장 데이터셋 구축 8
• 1. 대화 생성 8
• 2. 주석 (시간 지시어 해소) 12
• 3. 통계 14
• 4. 분석 16
• 5. 시간 표현 데이터셋 비교 18
• 제4장 시간 지시어 해소 실험 20
• 1. 데이터셋 20
• 2. 실험 설정 20
• 1) 미세 조정 모델 20
• 2) 베이스라인 22
• 3. 실험 결과 23
• 1) Zero-shot 23
• 2) One-shot 24
• 3) 데이터셋의 시계열 일반화 가능성 25
• 제5장 대화 생성 실험 27
• 1. 데이터셋 28
• 1) Locomo Dataset 28
• 2) REALTALK Dataset 28
• 2. 실험 설정 29
• 1) 모델 29
• 2) 시간 지시어 해소 30
• 3) 대화 생성 33
• 3. 실험 결과 35
• 제6장 결론 38
• 1. 기여점 38
• 2. 한계 38
• 3. 향후 연구 39