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.
다른 이름: semantic search, similarity search, dense retrieval
작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식
키워드 검색은 입력한 단어가 들어 있는 문서를 찾습니다. 벡터 검색은 임베딩이 쿼리의 임베딩 가까이에 있는 문서를 찾으므로, "차 시동이 안 걸려요"가 "방전된 배터리 문제 해결"이라는 제목의 페이지와 일치할 수 있습니다. 가까움은 코사인 유사도, 내적, 유클리드 거리로 측정합니다.
밀집 검색
밀집 검색(dense retrieval)은 같은 아이디어를 정보 검색 분야에서 부르는 이름입니다. 쿼리와 구절을 각각 밀집 벡터로 인코딩하고, 검색은 최근접 이웃 조회가 됩니다. 이 용어는 BM25 같은 희소 검색과 대비되는데, 희소 검색에서는 벡터 항목 대부분이 0이고 각 항목이 단어 하나를 나타냅니다. 2020년 dense passage retrieval 논문은 질문과 구절 쌍으로 학습한 이 방식이 오픈 도메인 질의응답에서 강력한 BM25 기준선을 이길 수 있음을 보였습니다.
대규모 실행 방식
쿼리를 저장된 모든 벡터와 비교하면 정확하지만 느립니다. 프로덕션 시스템은 보통 벡터 데이터베이스 안에서 HNSW 같은 근사 최근접 이웃 인덱스를 씁니다.
한계
벡터 검색은 이름, 오류 코드, 드문 용어의 정확한 일치를 놓칠 수 있으며, 관련된 것이 전혀 없어도 항상 무언가를 돌려줍니다. 많은 팀이 이를 하이브리드 검색에서 키워드 검색과 짝지은 뒤 리랭킹을 적용합니다.
관련 용어
- 근사 최근접 이웃 검색
- 근사 최근접 이웃(ANN, approximate nearest neighbor) 검색은 저장된 모든 벡터를 확인하지 않고 질의와 가까운 벡터를 찾는 방법입니다. 정확한 최적의 결과라는 보장을 포기하는 대신, 대규모 컬렉션에서 훨씬 빠르게 검색합니다.
- 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 데이터베이스(Vector database)
- 벡터 데이터베이스(vector database)는 임베딩을 원본 레코드와 함께 저장하고, 쿼리 벡터에 가장 가까운 저장된 벡터를 찾습니다. 보통 근사 인덱스를 써서 수백만 개 항목에서도 검색이 빠르게 유지됩니다.
- 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.