Optimizing search quality
출처: 문서
본문
검색 품질 최적화
_검색 품질_은 검색 결과가 사용자의 의도와 기대에 얼마나 잘 부합하는지를 말해요. OpenSearch는 검색 결과의 품질을 측정, 분석, 개선하는 데 도움이 되는 여러 기능과 도구를 제공해요.
OpenSearch는 검색 품질을 최적화하는 데 도움이 되는 다음과 같은 기능을 제공해요:
-
User Behavior Insights (UBI): 사용자 행동 데이터를 수집하고 분석해서 사용자가 검색 결과와 어떻게 상호작용하는지 파악하고, 개선이 필요한 영역을 찾아내요.
-
Search Relevance Workbench: 쿼리 비교, 결과 평가, A/B 테스팅을 통해 검색 관련성을 실험하고 개선할 수 있는 종합 도구 모음이에요.
-
Relevance agent: 검색 관련성을 지속적으로 개선하도록 설계된 특화 에이전트예요.
-
Query rewriting: 사용자 쿼리를 변환해서 검색 정확도를 높이고, 동의어, 오타, 기타 쿼리 변형을 처리해요.
-
Learning to Rank (LTR): 행동 데이터로 학습시킨 머신러닝 모델을 사용해서 검색 결과의 순위를 개선해요.
-
Reranking search results: 머신러닝 모델을 적용해서 검색 결과의 순서를 재조정하고 관련성을 높여요.
검색 품질 워크플로
일반적인 검색 품질 개선 워크플로는 다음 단계로 이루어져요:
- 데이터 수집: UBI를 사용해서 사용자 행동 및 상호작용 데이터를 수집해요.
- 분석: 사용자 행동 패턴을 분석해서 검색 품질 문제를 파악해요.
- 실험: Search Relevance Workbench를 사용해서 다양한 접근 방식을 테스트해요.
- 모델 학습: 행동 데이터로 LTR 모델을 학습시켜 순위를 개선해요.
- 쿼리 개선: 쿼리 재작성 규칙을 적용해서 쿼리 이해도를 높여요.
- 재순위화: ML 기반 재순위화를 적용해서 결과를 더욱 최적화해요.
- 평가: 검색 성능을 지속적으로 모니터링하고 평가해요.
관련 문서
- Reranking search results tutorials: 다양한 머신러닝 모델과 플랫폼을 사용해서 검색 결과 재순위화를 구현하는 방법을 배워요.