본 논문은 기존의 캐스케이딩 방식 검색 시스템을 넘어, 다수의 예측 모델을 활용하는 복합 검색 시스템(compound retrieval systems) 개념을 제시합니다. 캐스케이딩 방식은 여러 단계의 재순위 지정 모델을 순차적으로 적용하지만, 복합 검색 시스템은 상위 K개 문서 재순위 지정 외에도 다양한 모델 상호작용을 허용합니다. 특히, 상대적 관련성 비교를 제공하는 대규모 언어 모델(LLM)과의 상호작용을 가능하게 합니다. 본 논문은 구성 모델의 적용 위치 및 예측 결과의 최종 순위 집계 방법을 최적화하는 복합 검색 시스템 설계에 초점을 맞춥니다. BM25 모델과 최첨단(쌍대 비교) LLM 관련성 예측을 결합하는 방법을 보여주며, 주어진 순위 지표 및 효율성 목표를 최적화합니다. 실험 결과, 최적화된 복합 검색 시스템은 자기 지도 방식으로 적용하더라도 캐스케이딩 방식보다 효과성과 효율성 간의 더 나은 절충안을 제공합니다.
