Qdrant 검색 관련성

Qdrant 검색 관련성 (Search Relevance)

기본적으로 Qdrant는 벡터 유사도 점수로 검색 결과를 정렬해요. 하지만 결과를 랭킹할 때 벡터 유사도 외의 추가 요소를 고려하고 싶을 수 있어요. Qdrant는 이를 위한 여러 도구를 제공하며, 이 페이지는 점수 부스팅·MMR·관련성 피드백을 정리해요.

출처: Qdrant — Concepts: Search Relevance

본문

점수 부스팅 (Score Boosting, v1.14.0+)

특정 애플리케이션에 벡터 검색을 도입할 때, 최종 결과 목록을 랭킹하는 데 비즈니스 로직을 고려해야 하는 경우가 있어요. 대표적인 예가 Qdrant 자체 문서 검색 바예요.

문서 사이트의 모든 부분에 벡터가 있어서, 벡터만으로 검색하면 모든 요소가 동등하게 좋은 결과로 간주돼요. 이때 점수 부스팅으로 특정 항목의 가중치를 높여 랭킹에 비즈니스 우선순위를 반영할 수 있어요.

POST /collections/{collection_name}/points/query
 {
     "prefetch": {
         "query": [0.2, 0.8, ...],  // <-- dense vector
         "limit": 50
     }
     "query": {
         "formula": {
             "sum": [
                 "$score",
                 {
                     "mult": [
                         "metadata.popularity",
                         0.1
                     ]
                 }
             ]
         }
     }
 }

점수 부스팅에서는 감쇠 함수(decay functions)를 함께 사용할 수 있어요.

최대 한계 관련성 (MMR, Maximal Marginal Relevance)

$$\text{MMR} = \arg \max_{D_i \in R\setminus S}[\lambda sim(D_i, Q) - (1 - \lambda)\max_{D_j \in S}sim(D_i, D_j)]$$

여기서 $R$은 후보 집합, $S$는 선택된 집합, $Q$는 쿼리 벡터, $sim$은 유사도 함수, $\lambda = 1 - diversity$예요.

MMR은 Qdrant에서 최근접 이웃 쿼리의 파라미터로 구현돼요. 가장 가까운 후보를 얻을 벡터와, 관련성(0.0)과 다양성(1.0)의 균형을 제어하는 diversity 파라미터를 정의해요.

POST /collections/{collection_name}/points/query
 {
   "query": {
     "nearest": [0.01, 0.45, 0.67, ...], // search vector
     "mmr": {
       "diversity": 0.5, // 0.0 - relevance; 1.0 - diversity
       "candidates_limit": 100 // num of candidates to preselect
     }
   },
   "limit": 10
 }

주의: MMR은 한 번에 한 포인트씩 랭킹하므로, Qdrant에서 MMR이 만드는 점수는 쿼리 벡터에 대한 유사도를 가리켜요. 즉 응답은 점수 순서가 아니라 MMR 선택 순서대로 정렬돼요.

Qdrant 검색 관련성