# [[MAP (Mean Average Precision)]]

## 📌 Brief Summary
MAP(Mean Average Precision)는 정보 검색 및 학습 기반 랭킹(Learning to Rank, LTR) 모델에서 검색 결과의 품질을 평가하기 위해 널리 사용되는 주요 랭킹 평가지표입니다 [1, 2]. 이 지표는 주로 문서의 관련성 여부가 이분법적(binary)으로 판단될 때 사용됩니다 [3]. 특히 LTR의 리스트 단위(Listwise) 접근법에서는 검색 결과 전체의 순위를 향상시키기 위한 직접적인 최적화 목표로 설정되기도 합니다 [4].

## 📖 Core Content
* **검색 품질 평가 지표**: MAP는 정보 검색 영역에서 널리 쓰이는 평가 척도로, Mean Reciprocal Rank(MRR) 및 Precision 등과 함께 오직 이진 판별(binary judgments, 예: 관련 있음/관련 없음) 상황에서만 정의되는 지표입니다 [2, 3].
* **학습 기반 랭킹(LTR)에서의 활용**: 기계 학습을 이용해 검색 순위를 정하는 LTR 알고리즘에서 중심적인 역할을 합니다. LTR 모델은 주어진 정답 세트인 판단 리스트(judgment list)와 비교하여, MAP나 nDCG 같은 랭킹 지표를 기준으로 결과 문서를 최적의 방법으로 정렬하도록 학습됩니다 [1].
* **Listwise 접근법의 최적화 목표**: LTR의 접근법 중 하나인 '리스트 단위 접근법(Listwise Approach)'은 검색 결과 리스트 전체의 순위를 한꺼번에 최적화하는 방식을 취합니다 [4]. 이 방식에서 알고리즘은 훈련 데이터 내의 모든 질의에 대해 MAP와 같은 평가 지표의 평균값을 직접적으로 최적화하려고 시도하며, 이는 실무에서 종종 가장 우수한 성능을 보여줍니다 [4, 5].

## ⚖️ Trade-offs & Caveats
* **이진 판별(Binary Judgments)에 국한된 한계**: MAP는 문서의 관련성을 이분법적으로 판단할 때만 정의되므로, 여러 단계(graded)로 나뉜 관련성 등급을 다루는 데에는 제약이 있습니다 [3]. 이러한 이유로 다중 등급 관련성을 평가하거나 사용자의 만족도를 더 잘 모델링해야 하는 학술 연구 등에서는 MAP보다 DCG나 NDCG, 또는 ERR(Expected Reciprocal Rank)과 같은 지표가 더 선호되는 경향이 있습니다 [3].
* **직접 최적화의 기술적 어려움**: Listwise 접근법에서 MAP와 같은 평가 지표의 값을 직접 최적화하는 것은 실제 구현상 매우 까다롭습니다 [5]. 이는 대부분의 랭킹 평가 지표가 모델의 파라미터에 대한 연속 함수(continuous functions) 형태가 아니기 때문입니다 [5]. 따라서 알고리즘을 훈련할 때는 평가 지표에 대한 연속적인 근사치(continuous approximations)나 경계값(bounds)을 대체제로 사용해야 하는 기술적 우회 제약이 따릅니다 [5].

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