SEO/GEO
생성형 검색 리랭킹과 구글 PRP 동작 원리
한눈에 보는 이 글 * 검색 엔진은 방대한 문서를 빠르게 거르는 1단계 필터링과, 소수 후보만 정교하게 재정렬하는 2단계 리랭킹(Pairwise Ranking, 구글 PRP 등)을 분리한 Two-Stage 구조로 연산 부하를 제어하며, 이 구조를 이해하면 콘텐츠를 '문맥적으로 완결되고 엔티티 밀도가 높은 패시지'로 설계해야 하는 이유가 명확해집니다. 생성형 검색의
SEO/GEO
한눈에 보는 이 글 * 검색 엔진은 방대한 문서를 빠르게 거르는 1단계 필터링과, 소수 후보만 정교하게 재정렬하는 2단계 리랭킹(Pairwise Ranking, 구글 PRP 등)을 분리한 Two-Stage 구조로 연산 부하를 제어하며, 이 구조를 이해하면 콘텐츠를 '문맥적으로 완결되고 엔티티 밀도가 높은 패시지'로 설계해야 하는 이유가 명확해집니다. 생성형 검색의
SEO/GEO
한눈에 보는 이 글 * Knowledge Graph는 정보를 문서 단위가 아니라 엔티티와 관계로 연결해, 검색 시스템이 대상을 정확히 식별하고 여러 문서의 사실을 종합하도록 돕는 구조입니다. * 여러 문서를 종합해야 하는 Global 질의에서는 GraphRAG처럼 그래프 기반 접근이 Vector RAG보다 높은 정확도를 보였습니다(예: 73.5% vs 18.5%). * 브랜드 관점에서는 관계의 완결성(주체-
SEO/GEO
한눈에 보는 이 글 * 벡터 임베딩은 텍스트의 의미를 숫자 배열로 변환하는 기술로, AI는 이 값을 기준으로 콘텐츠의 관련성을 판단합니다. * Gemini 임베딩 모델(Gemini Embedding 2)과 코사인 유사도를 활용하면 Python 코드로 문장 간 의미적 유사도를 직접 수치로 확인할 수 있습니다. * GEO 전략에서는 키워드 나열보다 주제를 깊이 있게 다뤄, AI가 콘텐츠를
SEO/GEO
한눈에 보는 이 글 * SEO에서 GEO로 전환되며 최적화 단위가 '페이지'에서 '단락(Chunk)'으로 바뀌었고, 원본 문서에서 분리된 단락이 맥락을 잃지 않게 해주는 핵심 장치가 메타데이터입니다. * JSON-LD 스키마 마크업으로 엔티티·속성·관계를 명시하면 단락이 단독으로 인용되어도 저자·출처·주제가 함께 전달되어 할루시네이션을 억제하는 효과가 있습니다.
SEO/GEO
한눈에 보는 이 글 * Query Fan-Out은 사용자의 질문 하나를 여러 합성 쿼리(Synthetic Query)로 확장해 정보를 탐색하는 생성형 검색의 핵심 메커니즘입니다. * AI 검색 업계는 이 확장 방향을 Related, Implicit, Comparative, Reformulation, Entity-Expanded, Personalized, Recent 등 7가지 유형으로 설명합니다. * 사용자의 원문 질문뿐 아니라 AI가 어떤 합성 쿼리를 추가로
SEO/GEO
한눈에 보는 이 글 * Reasoning Chains(추론 체인)는 LLM이 질문을 단계적으로 분해·검증·자기수정하며 답에 도달하는 새로운 추론 방식으로, 매개변수 약 1,000억 개 이상 대형 모델에서 나타나는 창발적 특성입니다. * 생성형 검색 엔진은 4~5개 이상의 다중 소스에서 100자 내외의 단락(Passage)만 정밀하게 골라내 교차 참조를 거쳐 하나의
SEO/GEO
한눈에 보는 이 글 * 구글이 2026년 5월 발행한 공식 가이드는 Query fan-out과 RAG 같은 단락 단위 추출 메커니즘을 인정했고, Moz 분석에 따르면 AI Mode 인용 콘텐츠의 약 88%가 기존 검색 상위 10위 밖 페이지였습니다. * 페이지 단위 평가가 '문서 전체의 권위'를 봤다면, 단락 단위 평가는 '
SEO/GEO
한눈에 보는 이 글 * 구글의 Passage Ranking은 전 세계 검색 질의의 약 7%에 영향을 미치며, 페이지 전체가 아닌 문서 내부 특정 단락의 의미와 질의 관련성을 BERT·SMITH 알고리즘으로 평가합니다. * RAG 기반 AI 검색은 Context Relevance·Answer Faithfulness·Answer Relevance 세 가지 지표로 단락이 질문에 얼마나 적절히 답하는지 평가합니다. * 구글
SEO/GEO
한눈에 보는 이 글 * 뉴럴매칭(2018)은 쿼리와 문서를 벡터로 변환해 '개념'을 넓게 매칭하고, BERT(2019)는 문장의 앞뒤 문맥을 양방향으로 분석해 '의도'를 정확히 해석합니다. * "맥북이 너무 뜨거워" 같은 쿼리에서 BERT가 문맥을 해석하면 뉴럴매칭이 '노트북 발열'처럼 개념적으로 유사한 문서를
SEO/GEO
한눈에 보는 이 글 * 구글 AI Mode는 질문 하나를 수십~수백 개의 질문으로 확장해 단락 단위로 근거를 모으고, 하나의 답변으로 합성한 뒤 근거 단락을 출처로 표시하는 6단계 파이프라인입니다. * 무엇이 인용될지는 페이지의 검색 순위가 아니라, 마지막 단계에서 단락과 단락을 1:1로 비교하는 심사로 결정됩니다. 잘 만든 우리 페이지가 검색 1위인데도, 정작
SEO/GEO
과거의 검색 엔진은 사용자가 입력한 '키워드'를 단순히 웹페이지의 텍스트와 매칭하는 방식이었습니다. 하지만 생성형 AI의 등장으로 검색의 패러다임은 근본적으로 변화했습니다. 이제 인공지능은 단순한 단어의 나열이 아닌, 사용자의 '숨은 의도'를 파악하고 필요한 정보를 다각도로 수집하여 종합적인 답변을 제공합니다. 이러한 변화의 중심에는 바로 쿼리 팬아웃(Query Fan-
AI & Data Insight
안녕하세요 Yunheec 입니다. 지난 두 편의 글에서 SEOWeek 2026의 DAY 1(Science), DAY 2(Psychology), DAY 3(Ecosystem) 후기를 차례로 공유드렸습니다. AI 검색의 메커니즘을 이해하고, 사용자의 심리 변화를 읽고, 외부 생태계 안에서 우리 브랜드의 위치를 재설계하는 흐름까지 함께 살펴봤습니다. 오늘 마지막으로 공유할 DAY 4의 컨셉은 'Future(미래)' 입니다.