본 논문은 RAG 시스템의 성능을 향상시키기 위한 리랭커(reranker)로서 대규모 언어 모델(LLM)의 잠재력을 탐구합니다. 기존 리랭킹 방법론의 한계를 극복하기 위해, 본 연구는 Pointwise 방식의 유연성과 Listwise 방식의 비교 능력을 결합한 Groupwise라는 새로운 리랭킹 패러다임을 제안합니다. 제안된 방법론은 후보 문서 그룹을 LLM에 함께 입력하여 각 문서에 대한 관련성 점수를 할당하며, 랭킹 지표와 점수 분포 정렬을 결합한 이종 보상 함수를 사용합니다. 또한, 고품질 라벨 데이터 부족 문제를 해결하기 위해 검색 및 랭킹 데이터를 합성하는 파이프라인을 제시합니다.
시사점, 한계점
•
시사점:
◦
Pointwise 방식의 유연성과 Listwise 방식의 비교 능력을 결합한 Groupwise 리랭킹 패러다임 제안.
