# [[Pairwise Approach]]

## 📌 Brief Summary
**Pairwise Approach**는 지능형 정보 검색의 학습 기반 랭킹(Learning to Rank, LTR) 기술에서 활용되는 주요 접근법 중 하나입니다 [1, 2]. 이 방식은 랭킹 문제를 두 문서의 순위를 비교하여 어느 문서가 더 나은지를 판별하는 **이진 분류(Binary Classification) 문제로 근사**하여 해결합니다 [2, 3]. 모델은 두 문서를 입력으로 받아 랭킹 내의 순위 역전(inversion) 횟수와 크기를 반영하는 손실 함수를 최소화하는 방향으로 학습됩니다 [4].

## 📖 Core Content
*   **이진 분류 기반의 랭킹**: 개별 문서의 점수를 독립적으로 예측하는 Pointwise 방식과 달리, Pairwise Approach는 두 개의 문서 쌍($x_u, x_v$)을 이진 분류기 $h(x_u, x_v)$의 입력으로 사용하여 두 문서 중 어떤 것이 더 관련성이 높은지 상대적 우위를 평가합니다 [2, 3].
*   **손실 함수(Loss Function)의 역할**: 학습의 목표는 분류기의 손실 함수 $L(h; x_u, x_v, y_{u,v})$를 최소화하는 것입니다 [4]. 이 손실 함수는 결과적으로 생성된 랭킹에서 발생하는 순위 오류(역전 현상)의 수와 그 규모를 반영하도록 설계됩니다 [4].
*   **스코어링 함수 결합 모델**: 많은 Pairwise 모델에서 이진 분류기는 단일 스코어링 함수 $f(x)$를 기반으로 구현됩니다 [4]. 일례로 RankNet 알고리즘은 확률 모델을 채택하여 한 문서($x_u$)가 다른 문서($x_v$)보다 품질이 높을 예상 확률을 누적 분포 함수(CDF)를 통해 계산합니다 [4].
*   **주요 알고리즘**: RankNet, LambdaRank, Ranking SVM, RankBoost, GBRank 등 다양한 랭킹 알고리즘이 이 Pairwise 접근법을 채택하고 있습니다 [2, 5]. 특히 LambdaMART는 Pairwise 알고리즘을 근간으로 하면서도 경험적으로 Listwise 목적 함수를 훌륭하게 근사하는 것으로 입증되었습니다 [6].

## ⚖️ Trade-offs & Caveats
*   **성능적 한계 및 Listwise 방식과의 비교**: Pairwise Approach는 문서 간의 상대적 순위를 고려하므로 Pointwise 방식보다는 랭킹 최적화에 효과적입니다 [1, 2]. 하지만 검색 결과 리스트 전체의 순위를 한꺼번에 최적화하는 **Listwise Approach와 비교했을 때는 성능이 떨어지는 경향**이 있습니다 [1, 2]. 
*   **평가 지표와의 괴리**: Listwise 방식은 nDCG(Normalized Discounted Cumulative Gain)나 MAP와 같은 실제 정보 검색 평가 지표를 직접적으로 최적화 목표로 삼는 반면, 일반적인 Pairwise 방식은 쌍별 분류 오류 최소화에 집중하므로 최적화 목표와 실제 랭킹 평가 지표 사이에 구조적인 차이가 존재합니다 [2, 6]. 
*   그 외에 연산 비용의 기하급수적 증가나 추가적인 부작용 등에 대해서는 소스에 관련 정보가 부족합니다.

---
*Last updated: 2026-05-04*