[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,88 +2,146 @@
|
||||
id: wiki-2026-0508-relevance-feedback
|
||||
title: Relevance Feedback
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [IR-REL-FEEDBACK-001]
|
||||
aliases: [RF, Pseudo-Relevance Feedback, PRF]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [information-retrieval, Search, relevance-feedback, user-interaction, rocchio-algorithm, personalization]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [information-retrieval, query-expansion, ranking, rag]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python
|
||||
framework: pyserini/Elasticsearch
|
||||
---
|
||||
|
||||
# Relevance Feedback (관련성 피드백)
|
||||
# Relevance Feedback
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "사용자의 만족과 불만족을 학습의 '나침반'으로 삼아, 모호한 질문(Query)을 정교한 정답의 좌표로 끊임없이 수정하라" — 정보 검색 시스템에서 사용자가 제시된 결과의 유용성을 평가하면, 그 피드백을 반영하여 검색 쿼리를 개선하고 더 관련성 높은 결과를 도출하는 상호작용 기법.
|
||||
## 매 한 줄
|
||||
> **"매 user judgment (or top-k assumption) 매 활용하여 query 매 reformulate"**. 매 1971 Rocchio 의 vector-space RF에서 시작, 매 BM25 시대 PRF (Robertson) 매 standard 매 query expansion 기법, 매 2026 dense retrieval 시대에 매 ANCE/HyDE/LLM-RankFusion 형태로 매 evolve — RAG pipelines 의 매 retrieval quality boost lever.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Iterative Query [[Refinement|Refinement]] and Vector [[Shift|Shift]]ing" — 사용자가 선택한 '좋은 문서' 쪽으로 검색 벡터를 이동시키고(Rocchio Algorithm), 선택하지 않은 '나쁜 문서'로부터는 멀어지게 하여, 사용자의 실제 의도(Intent)에 검색 엔진의 초점을 맞추는 패턴.
|
||||
- **주요 피드백 방식:**
|
||||
- **Explicit Feedback:** 사용자가 직접 "좋아요/싫어요" 혹은 별점을 매김.
|
||||
- **Implicit Feedback:** 사용자의 클릭, 체류 시간, 구매 이력 등을 통해 의도를 추정.
|
||||
- **Pseudo Relevance Feedback:** 상위 n개 결과가 무조건 맞다고 가정하고 자동으로 쿼리를 확장.
|
||||
- **의의:** 사용자가 자신의 의도를 완벽한 키워드로 설명하지 못하더라도, 시스템과의 반복적인 상호작용을 통해 최적의 정보에 도달하게 함.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 단순히 키워드를 추가하던 방식에서, 이제는 거대 언어 모델(LLM)이 사용자의 피드백 문맥을 이해하여 질문 자체를 다시 쓰는(Query Rewriting) 지능형 피드백 시스템으로 고도화됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 에이전트의 답변에 대한 사용자의 수정이나 추가 질문을 '강력한 관련성 피드백'으로 인지하여, 다음 검색 시 해당 피드백이 반영된 최적의 지식 노드를 우선적으로 탐색함.
|
||||
### 매 종류
|
||||
- **Explicit RF**: user marks results relevant/not.
|
||||
- **Implicit RF**: clicks, dwell time, scroll signals.
|
||||
- **Pseudo RF (PRF)**: assume top-k from initial retrieval are relevant.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ranking-Algorithms|Ranking-Algorithms]], [[RAG-and-Document-Retrieval|RAG-and-Document-Retrieval]], [[Reinforcement-Learning|Reinforcement-Learning]], [[Performance-Metrics-in-AI|Performance-Metrics-in-AI]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Relevance-Feedback.md
|
||||
### 매 Rocchio (vector space)
|
||||
- q_new = α·q_old + β·(1/|Dr|)Σ_{d∈Dr} d - γ·(1/|Dnr|)Σ_{d∈Dnr} d.
|
||||
- α, β, γ ≥ 0; typical (1, 0.75, 0.15).
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 BM25 + RM3 (probabilistic PRF)
|
||||
- Top-k pseudo-relevant set R.
|
||||
- Term weights via RM (relevance model): p(t|R) ∝ Σ_{d∈R} p(d)p(t|d).
|
||||
- Mix with original query: q' = (1-λ)q + λ·top terms from RM.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 dense / neural variants
|
||||
- **ANCE / Contriever PRF**: average top-k embeddings.
|
||||
- **HyDE**: LLM generates hypothetical answer → embed → retrieve.
|
||||
- **LLM rerank then expand**: top-k rerank → use rationale to expand.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### 매 응용
|
||||
1. Web search query suggestions.
|
||||
2. Enterprise search (legal/medical IR).
|
||||
3. RAG: PRF on initial retrieval.
|
||||
4. Image search (visual feedback).
|
||||
5. Active learning over corpora.
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
## 💻 패턴
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
### Rocchio expansion
|
||||
```python
|
||||
import numpy as np
|
||||
def rocchio(q, rel_docs, nonrel_docs, alpha=1.0, beta=0.75, gamma=0.15):
|
||||
rel = np.mean(rel_docs, axis=0) if len(rel_docs) else 0
|
||||
non = np.mean(nonrel_docs, axis=0) if len(nonrel_docs) else 0
|
||||
return alpha*q + beta*rel - gamma*non
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### RM3 with pyserini
|
||||
```python
|
||||
from pyserini.search.lucene import LuceneSearcher
|
||||
searcher = LuceneSearcher('indexes/msmarco-passage')
|
||||
searcher.set_bm25(k1=0.82, b=0.68)
|
||||
searcher.set_rm3(fb_terms=10, fb_docs=10, original_query_weight=0.5)
|
||||
hits = searcher.search('how does covid spread', k=20)
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### HyDE (LLM hypothetical doc → embed)
|
||||
```python
|
||||
def hyde(query, llm, embedder, retriever, k=10):
|
||||
prompt = f"Write a passage that answers: {query}"
|
||||
hypo = llm(prompt, max_tokens=200) # Claude Opus 4.7
|
||||
hypo_emb = embedder.encode(hypo)
|
||||
return retriever.search(hypo_emb, top_k=k)
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Dense PRF (avg top-k embeddings)
|
||||
```python
|
||||
def dense_prf(q_emb, retriever, k=10, alpha=0.7):
|
||||
init = retriever.search(q_emb, top_k=k)
|
||||
top_embs = np.stack([d.embedding for d in init])
|
||||
new_q = alpha*q_emb + (1-alpha)*top_embs.mean(axis=0)
|
||||
new_q /= np.linalg.norm(new_q)
|
||||
return retriever.search(new_q, top_k=k)
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### LLM-driven query expansion (2026)
|
||||
```python
|
||||
def llm_expand(query, llm):
|
||||
prompt = f"""Given the search query: "{query}"
|
||||
Generate 5 alternative phrasings and 5 related technical terms.
|
||||
Return as JSON: {{"phrasings": [...], "terms": [...]}}"""
|
||||
return parse_json(llm(prompt))
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Click-model implicit RF
|
||||
```python
|
||||
# Position-Bias-Model: P(click | rank, rel) = examine(rank) * relevance
|
||||
# Use IPS to debias clicks → train ranker.
|
||||
def ips_loss(clicks, ranks, propensity):
|
||||
return -np.mean(clicks / propensity[ranks])
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Sparse / BM25 baseline | RM3 (default PRF) |
|
||||
| Vector / dense retrieval | Dense PRF or HyDE |
|
||||
| Strong LLM available | HyDE / LLM expansion |
|
||||
| Have user clicks | IPS click model |
|
||||
| One-shot precision | LLM rerank top-50 |
|
||||
| Ambiguous query | LLM phrasings + multi-query |
|
||||
|
||||
**기본값**: BM25 baseline + RM3 (k=10, w=0.5); dense는 HyDE for high-stakes RAG.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Information-Retrieval]] · [[Query-Expansion]]
|
||||
- 변형: [[Rocchio]] · [[RM3]] · [[HyDE]] · [[Pseudo-Relevance-Feedback]]
|
||||
- 응용: [[RAG]] · [[Enterprise-Search]] · [[Web-Search]]
|
||||
- Adjacent: [[BM25]] · [[Dense-Retrieval]] · [[Reranking]] · [[ColBERT]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: HyDE, LLM-driven phrasing/term expansion, rerank-then-expand pipelines, RAG retrieval recall boost.
|
||||
**언제 X**: 매 latency-critical search (extra LLM call이 budget 매 초과).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **PRF on noisy top-k**: 매 initial retrieval junk → 매 PRF amplifies noise. 매 top-k filtering 필수.
|
||||
- **Too many expansion terms**: 매 query drift — 매 fb_terms ≤ 10 keep.
|
||||
- **Naive HyDE for code**: 매 code search 에 매 HyDE 매 종종 hurt — empirical check 매 필요.
|
||||
- **Ignoring α/β/γ tuning**: Rocchio default 매 항상 best 아님.
|
||||
- **Mixing sparse query with dense PRF**: 매 score scale incompatible.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Manning IR book ch.9, Lavrenko & Croft RM, Gao et al "HyDE" 2023).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — Rocchio/RM3/HyDE/dense PRF unified |
|
||||
|
||||
Reference in New Issue
Block a user