LLM 기반 다중 턴 고객 지원 대화의 수명 주기 인식 클러스터링

LLM-Guided Lifecycle-Aware Clustering of Multi-Turn Customer Support Conversations

다중 서비스 쿼리를 처리하는 클라우드 제공업체에게 고객 채팅 데이터 클러스터링은 필수적입니다. 기존 방법론은 중복된 관심사를 처리하는 데 어려움이 있으며, 시간이 지남에 따라 품질이 저하되는 광범위하고 정적인 클러스터를 생성하는 경향이 있습니다. 또한 재클러스터링은 연속성을 저해하여 문제 추적을 어렵게 만듭니다. 본 연구에서는 다중 턴 채팅을 서비스별 관심사로 분할하고 새로운 문제가 발생함에 따라 클러스터를 점진적으로 개선하는 적응형 시스템을 제안합니다. 클러스터 품질은 데이비스-볼딘 지수(Davies-Bouldin Index)와 실루엣 점수(Silhouette Scores)를 통해 추적되며, 품질이 저하된 클러스터에 대해서만 LLM 기반 분할을 적용합니다. 제안하는 방법은 베이스라인과 비교하여 실루엣 점수를 100% 이상 향상시키고 DBI를 65.6% 감소시켰으며, 전체 재클러스터링 없이 확장 가능한 실시간 분석을 가능하게 합니다.

Clustering customer chat data is vital for cloud providers handling multi service queries. Traditional methods struggle with overlapping concerns and create broad, static clusters that degrade over time. Reclustering disrupts continuity, making issue tracking difficult. We propose an adaptive system that segments multi turn chats into service specific concerns and incrementally refines clusters as new issues arise. Cluster quality is tracked via DaviesBouldin Index and Silhouette Scores, with LLM based splitting applied only to degraded clusters. Our method improves Silhouette Scores by over 100\% and reduces DBI by 65.6\% compared to baselines, enabling scalable, real time analytics without full reclustering.