# [[Diversity in Ranking]]

## 📌 Brief Summary
Diversity in Ranking(랭킹의 다양성)은 고도화된 개인화 검색 및 벡터 검색 시스템에서 사용자의 기존 성향에만 맞는 정보가 편중되어 제공되는 '필터 버블(Filter bubble)' 현상을 방지하기 위한 알고리즘적 요구사항입니다 [1, 2]. 이는 랭킹 산출 시 다수의 합의된 정보뿐만 아니라 반대되는 관점 등 다양한 콘텐츠를 검색 결과에 함께 노출하여 정보의 균형을 맞추는 것을 목표로 합니다 [1].

## 📖 Core Content
* **필터 버블(Filter Bubble) 방지:** 벡터 검색과 문맥 기반 랭킹(Contextual ranking) 알고리즘이 사용자의 과거 선호도나 행동에 맞춰 검색 결과를 공격적으로 개인화할 경우, 사용자는 점차 좁은 범위의 콘텐츠만 보게 되어 다양한 관점에 대한 노출이 제한되는 필터 버블 현상이 발생하게 됩니다 [1, 2].
* **알고리즘 내 다양성 요구사항(Diversity Requirements) 적용:** 이러한 문제에 대한 완화책(Mitigation)으로서 랭킹 알고리즘 설계 시 다양성 요구사항을 구축해야 합니다 [1]. 단순히 사용자의 기존 입맛에 맞는 결과만 제공하는 것을 넘어, 일반적인 합의를 이룬 출처(Consensus sources)와 함께 반대되는 관점(Opposing viewpoints)을 가진 문서를 검색 결과에 의도적으로 표출해야 합니다 [1].
* **다양성 지표(Diversity Metrics)의 측정:** 랭킹의 다양성이 의도한 대로 작동하는지 평가하기 위해, 검색 시스템은 랭크된 결과물(Ranked results) 내에서 '다양성 지표'를 지속적으로 추적하고 측정(Measurement)해야 합니다 [1]. 

## ⚖️ Trade-offs & Caveats
* **개인화(Personalization)와 다양성(Diversity) 간의 균형:** 검색 알고리즘을 최적화할 때 마주하는 가장 큰 제약 및 상충 관계는 개인화와 다양성 사이의 균형을 맞추는 것입니다 [2]. 사용자의 맥락에 완벽히 맞춘 랭킹을 적용하면 사용자의 기존 성향에 부합하는 결과를 제공할 수 있지만, 반대로 사용자가 자신과 다른 반대 의견이나 이질적인 관점을 전혀 보지 못하게 되는 부작용을 낳습니다 [1]. 
* 따라서 벡터 기반의 검색 시스템이 보편화될수록, 사용자의 과거 선호도에 맞춘 좁고 정확한 결과(개인화)를 제공하는 것과 의도적으로 폭넓은 시각(다양성)을 노출시키는 것 사이에서 필수적으로 균형점을 찾아야 하는 과제가 발생합니다 [2].

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