Core Concepts
대형 언어 모델의 강력한 생성 능력을 활용하여 검색 애플리케이션을 위한 관련성 레이블을 생성할 수 있다. 그러나 직접적인 관련성 질문은 최적의 순위 결과를 생성하지 못한다. 대신 쌍대 순위 프롬프팅 접근법은 우수한 순위 성능을 보여준다. 이 연구에서는 관련성 레이블과 쌍대 선호도를 결합하는 사후 처리 방법을 제안하여 순위 성능과 레이블 정확도의 균형을 이루고자 한다.
Abstract
이 연구는 대형 언어 모델(LLM)의 강력한 생성 능력을 활용하여 검색 애플리케이션을 위한 관련성 레이블을 생성하는 방법을 다룹니다. 기존 연구에서는 직접적인 관련성 질문이 최적의 순위 결과를 생성하지 못한다는 것을 발견했습니다. 대신 쌍대 순위 프롬프팅(PRP) 접근법이 우수한 순위 성능을 보여줍니다.
이 연구에서는 관련성 레이블 생성과 PRP 순위 능력을 통합하는 사후 처리 방법을 제안합니다. 이 방법은 LLM이 생성한 관련성 레이블과 쌍대 선호도를 모두 활용합니다. 레이블은 LLM의 쌍대 선호도를 만족하도록 조정되지만, 원래 값과 최대한 가깝게 유지됩니다. 실험 결과, 이 접근법은 레이블 정확도와 순위 성능의 균형을 효과적으로 달성할 수 있음을 보여줍니다.
Stats
관련성 레이블이 0, 1, 2, 3의 범위를 가지며, 이를 0, 1/3, 2/3, 1로 정규화하였습니다.
각 쿼리에 대해 상위 100개의 문서가 BM25로 검색되었습니다.
Quotes
"직접적인 관련성 질문은 최적의 순위 결과를 생성하지 못한다."
"쌍대 순위 프롬프팅 접근법은 우수한 순위 성능을 보여준다."