Learning to Rank
출처: 문서
본문
Learning to Rank
OpenSearch용 Learning to Rank 플러그인을 사용하면 머신러닝(ML)과 행동 데이터를 활용해 문서의 관련성을 세밀하게 조정할 수 있어요. 이 플러그인은 XGBoost와 RankLib 라이브러리의 모델을 사용해요. 이 모델들은 클릭스루 데이터나 필드 매칭 같은 쿼리 의존적 특성을 고려해 검색 결과 점수를 다시 매기기 때문에, 관련성을 한층 더 높일 수 있어요.
일반적인 의미로 사용될 때는 _learning to rank_라는 용어를 OpenSearch 문서 전반에서 LTR로 줄여서 표기해요. 플러그인 개발자 문서는 opensearch-learning-to-rank-base를 참고하세요.
{: .note}
시작하기
다음 리소스를 활용하면 시작하는 데 도움이 돼요:
- LTR이 처음이라면 ML 랭킹 핵심 개념 문서부터 시작해 보세요.
- 간단한 소개는 hello-ltr의 데모를 참고하세요.
- LTR에 익숙하다면 플러그인의 적용 범위 문서부터 시작해 보세요.
핵심 개념과 설정
LTR을 구현하기 전에 기본 개념과 아키텍처를 먼저 숙지하세요:
- ML 랭킹 핵심 개념: Learning to Rank의 근본적인 개념을 이해해요.
- 플러그인의 적용 범위: LTR이 OpenSearch 인프라와 어떻게 통합되는지 알아봐요.
특성 엔지니어링과 모델 개발
다음 워크플로를 따라 랭킹 모델을 만들고 학습해 보세요:
- 특성 엔지니어링: 랭킹 모델에 효과적인 특성을 설계해요.
- 특성 다루기: 특성 세트를 만들고 관리해요.
- 특성 점수 로깅: 모델 학습에 사용할 특성 데이터를 수집해요.
- 학습된 모델 업로드: 랭킹 모델을 만들고 학습해요.
배포와 고급 주제
모델 학습을 마쳤다면 프로덕션 환경에 배포하고 고급 기능도 살펴 보세요:
- LTR로 검색 최적화하기: 프로덕션 검색에 모델을 배포해요.
- 고급 기능: 고급 LTR 기능과 기법을 살펴봐요.
- 자주 발생하는 문제: 자주 묻는 질문과 문제 해결 방법을 확인해요.