Advanced RAG 검색

하이브리드 검색

같은 쿼리를 벡터와 키워드로 동시에 검색하고, 두 순위를 하나로 융합

벡터 검색이 놓치는 쿼리

의미에 강하고 용어에 약한 벡터 — 정확한 문자열 매칭은 키워드 검색의 영역

같은 질문, 두 검색기

"예약금 환불 규정이 어떻게 되나요?" — 의미로 찾는 벡터와 "환불" 용어로 찾는 BM25를 순위로 병합

RRF (Reciprocal Rank Fusion)

벡터 점수는 0~1, BM25는 0~무한대 — 점수 대신 순위를 쓰면 사라지는 스케일 문제

핵심 포인트

순위 기반

점수 스케일 불일치를 완전히 회피 — 정규화 불필요

k=60

표준값 — 높일수록 순위 차이의 영향력이 완화됩니다.

양쪽 상위 = 최상위

한쪽에서만 높은 문서는 보완적으로 포함되되 순위 하락

재사용

RAG Fusion(다중 쿼리)과 하이브리드(벡터+키워드) 공용 융합기

코드

# RRF — 점수가 아니라 순위의 역수를 합산한다 (정규화 불필요)
def reciprocal_rank_fusion(results_list, k=60):
    scores = {}
    for results in results_list:
        for rank, doc in enumerate(results):
            scores[doc.id] = scores.get(doc.id, 0) + 1 / (k + rank + 1)
    return sorted(scores.items(), key=lambda x: x[1], reverse=True)

# 벡터 1위 + 키워드 3위 = 1/61 + 1/63 — 양쪽 상위 문서가 최상위로
fused = reciprocal_rank_fusion([vector_results, keyword_results])

점수 결합 전략 비교

RRF가 기본값 — 가중치 튜닝은 평가 데이터가 쌓인 뒤에만