Skip to main content

텍스트 리랭커

질의와 문서 후보군의 관련도를 재평가하여 순위를 매깁니다.

설명​

텍스트 리랭커 노드는 질의와 문서를 함께 읽고 둘의 관련도를 다시 채점해 순위를 매깁니다. 벡터 검색처럼 질의와 문서를 각각 벡터로 바꿔 비교하는 방식과 달리, 질의와 문서를 한 쌍으로 놓고 판단하기 때문에 더 정확한 순위를 얻을 수 있습니다.

주로 벡터 저장소 노드 뒤에 붙여 씁니다. 벡터 검색으로 후보를 넉넉히 가져온 뒤 리랭커로 다시 정렬하면, 상위 몇 건의 품질이 올라갑니다.

질의 데이터셋의 행이 여러 개면 질의마다 문서 후보군 전체를 각각 재정렬합니다.

포트 구성​

입력 포트​

  • query: 질의가 담긴 데이터셋
  • documents: 순위를 매길 문서 후보군 데이터셋

출력 포트​

  • 데이터셋: 질의 열, 문서 행의 모든 열, 관련도 점수(relevance_score), 질의별 순위(ranking)

출력 열 이름이 문서 데이터셋의 기존 열과 겹치면 _query 또는 _rerank 를 붙여 구분합니다.

속성​

질의 열 선택​

query 데이터셋에서 질의로 사용할 열을 고릅니다.

문서 열 선택​

documents 데이터셋에서 순위를 매길 대상이 되는 텍스트 열을 고릅니다.

리랭커 모델 선택​

관련도를 채점할 모델입니다.

  • qwen3-reranker

사용 방법​

  1. 텍스트 리랭커 노드를 캔버스에 추가합니다
  2. query 포트에 질의 데이터셋을 연결합니다
  3. documents 포트에 순위를 매길 문서 데이터셋을 연결합니다
  4. 질의 열 선택 에서 질의가 담긴 열을 고릅니다
  5. 문서 열 선택 에서 문서 본문이 담긴 열을 고릅니다
  6. 리랭커 모델 선택 에서 모델을 고릅니다
  7. 실행하기 버튼을 클릭합니다
  8. 출력 포트에서 relevance_score 와 ranking 이 붙은 결과를 확인할 수 있습니다

주의사항​

두 포트를 모두 연결해야 합니다

query 와 documents 포트 중 하나라도 비어 있으면 실행되지 않습니다.

후보를 넉넉히 넘기세요

리랭커는 받은 문서 안에서만 순위를 다시 매깁니다. 앞 단계에서 정답 문서가 후보에 들어오지 않으면 리랭커가 끌어올릴 수 없으므로, 벡터 저장소 노드의 검색 결과 수 (Top K) 를 넉넉히 두고 리랭커로 좁히는 편이 좋습니다.