기존의 Pairwise LETOR 방법(RankNet, LambdaMART 등)은 pairwise 비교에만 집중하여 전역 순위 최적화에 한계를 보이고, Listwise LETOR 방법은 전역 순위 최적화를 목표로 하지만 복잡한 튜닝이 필요하고 Pairwise 방법 대비 성능 향상이 미미합니다. 본 논문에서는 이러한 한계를 극복하기 위해, 순위 문제를 TSP (Travelling Salesman Problem)로 재구성하는 하이브리드 Pairwise-Listwise 방법인 TSPRank를 제안합니다. TSPRank는 pairwise 관계를 모델링하고 조합 최적화를 활용하여 Listwise 순위를 결정하며, 기존 백본 모델의 임베딩에 추가적인 구성 요소로 통합될 수 있습니다. 주식 순위, 정보 검색, 역사적 사건 순서 지정 등 다양한 작업에 대한 실험 결과, TSPRank는 순수 Pairwise 및 Listwise 방법보다 성능이 우수하며, 전역 정보 활용 능력이 뛰어남을 보여줍니다. 다양한 분야에서의 견고성과 우수한 성능을 통해 다재다능하고 효과적인 LETOR 솔루션으로서의 잠재력을 보여줍니다.
