초록
질문 생성(Question Generation, QG)은 다양한 후속 응용 분야에서 핵심적인 자연어 처리(NLP) 작업이다. 최근, 지원되는 답변-문맥 쌍을 모델에 제공하는 오픈북(QG) 설정에서의 연구들이 유의미한 진전을 이루었다. 그러나 이러한 지원 문서가 부재한 더 현실적인 클로즈드북 설정에서 자연스럽고 유의미한 질문을 생성하는 것은 여전히 도전 과제로 남아 있다. 본 연구에서는 이러한 클로즈드북 환경을 고려하여, 장문의 추상적 답변의 의미를 보다 정확히 이해하고, 대조 학습(contrastive learning)과 답변 재구성 모듈을 통해 모델 파라미터에 더 많은 정보를 저장할 수 있도록 설계된 새로운 QG 모델을 제안한다. 실험을 통해 제안된 모델이 공개 데이터셋과 새로 구축한 WikiCQA 데이터셋 모두에서 효과성을 검증하였다. 실증 결과는 자동 평가와 인간 평가 모두에서 제안 모델이 기존 베이스라인 모델을 상회함을 보여주었다. 또한, 제안된 모델을 기존 질문-응답 시스템 개선에 활용하는 방법도 제시하였다. 이러한 결과들은 본 연구의 QG 모델이 클로즈드북 질문-응답 작업을 향상시키는 데 있어 매우 효과적임을 추가로 입증한다.