본문으로 건너뛰기
ReviewRamble

주간 브리프

AI 리뷰를 받은편지함으로.

  • 도구, 모델, MCP 서버, 저장소의 새 리뷰(결론부터)
  • 변경이 있을 때 다시 확인한 가격과 평점
  • 새로 발행된 분석 글

모델, 에이전트, MCP 서버, 그리고 정말 시간을 들일 만한 도구.

일주일에 한 통입니다. 각 브리프의 링크로 구독을 해지할 수 있습니다. 이메일 사용 방식

희소 검색(Sparse retrieval)

희소 검색(sparse retrieval)은 쿼리와 문서를 어휘 전체에 걸친 벡터로 표현하되, 대부분의 항목이 0이고 0이 아닌 항목은 각각 단어 가중치인 방식입니다. 그래서 키워드 검색처럼 빠른 역색인을 쓸 수 있습니다.

다른 이름: sparse embeddings, SPLADE, learned sparse retrieval

작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식

밀집 임베딩에서는 모든 값이 0이 아니고 어느 값도 고정된 의미가 없습니다. 희소 벡터에서는 각 위치가 어휘의 한 용어를 나타내며, 텍스트에 중요한 용어에만 가중치가 붙습니다. BM25는 고정된 공식으로 가중치를 정하는 고전적인 희소 방법입니다.

학습된 희소 모델

SPLADE 같은 모델은 신경망으로 가중치를 정합니다. 텍스트에 쓰이지 않은 관련 용어를 더할 수도 있는데, 이를 확장이라고 하며, 그래서 "automobiles"에 관한 문서가 "car"에도 가중치를 얻습니다. 결과적으로 키워드 검색의 장점인 정확한 용어 일치와 역색인을 유지하면서, 의미 면에서 밀집 모델과의 격차를 일부 좁힙니다.

쓰는 이유

희소 벡터는 들여다보기 쉽습니다. 어떤 단어가 일치를 이끌었는지 볼 수 있습니다. 밀집 모델이 흐릿하게 처리하는 이름, 코드, 전문 용어에 강합니다. 기존 검색 엔진에서도 돌아갑니다. 흔한 구성은 희소 검색기 하나와 밀집 검색기 하나를 쓰는 하이브리드 검색으로, 리랭킹 전에 결과를 합칩니다.

한계

학습된 희소 모델은 BM25와 달리 인덱싱과 쿼리 시점에 모델 호출이 필요합니다. 어휘가 토크나이저로 고정되므로 여러 언어에 걸쳐서는 어려움을 겪을 수 있습니다. 벡터 데이터베이스마다 지원이 다르니, 결정하기 전에 쓰는 제품을 확인하십시오.

관련 용어

BM25
BM25는 키워드 검색을 위한 순위 공식입니다. 질의의 단어가 문서에 얼마나 자주 나오는지로 각 문서에 점수를 매기며, 드문 단어에 더 큰 가중치를 주고 긴 문서와 반복된 단어에는 점수를 덜 줍니다.
하이브리드 검색
하이브리드 검색(hybrid search)은 같은 질의로 키워드 검색과 벡터 검색을 함께 실행하고 두 순위 목록을 합쳐, 결과가 정확한 단어와 의미 모두로 일치할 수 있게 합니다.
임베딩
임베딩(embedding)은 텍스트, 이미지, 기타 데이터를 나타내는 숫자 목록(벡터)으로, 의미가 비슷한 항목끼리 가까운 벡터를 갖도록 만들어집니다.
벡터 검색(Vector search)
벡터 검색(vector search)은 항목의 임베딩을 쿼리의 임베딩과 비교해 가장 가까운 것을 돌려주는 방식으로 항목을 찾습니다. 그래서 결과가 공통 키워드가 아니라 의미로 일치합니다.
리랭킹(Reranking)
리랭킹(reranking)은 후보 문서의 짧은 목록을 받아, 첫 검색보다 더 정확하지만 느린 모델로 쿼리와의 관련도에 따라 다시 정렬하는 두 번째 검색 단계입니다.

출처