이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
검색 기능을 구현하다가 한국어 특성 때문에 단순 LIKE 쿼리로는 원하는 결과를 못 찾는 문제가 생겼고, 한국어 형태소 분석 기반 검색을 처음 도입해봤습니다. nori 토크나이저를 설정하면서 품사 필터링으로 조사와 어미를 제거하면 같은 어근의 다양한 형태가 하나로 묶인다는 걸 배웠습니다. 처음에는 기본 설정 그대로 썼는데 복합어 분리 방식이 검색 의도와 맞지 않는 경우가 있어서, 사용자 쿼리 패턴을 분석한 뒤 분리 정도를 조정했습니다.
형태소 분석기 설정은 정확도와 재현율 사이의 트레이드오프였는데, 너무 잘게 분리하면 노이즈가 늘고 너무 보수적이면 검색 누락이 생겼습니다. 지금도 검색 기능을 설계할 때 언어 특성을 먼저 고려하고 인덱스 구조를 결정하는 방향을 따릅니다.
형태소 분석기 설정에서 복합어 처리 방식을 결정해야 하는 순간이 왔습니다. 혼자 실험을 반복했는데 어떤 기준으로 분리 정도를 조정해야 하는지 판단 기준이 잡히지 않았습니다.
검색 개발 경험이 있는 팀 선배에게 상황을 설명하고 기준을 물었습니다. 재현율을 높이려면 분리를 넓게 하고, 정밀도를 높이려면 좁게 해야 한다는 기준을 받았습니다. 그때까지 저는 어느 방향이 '더 좋다'만 생각하고 있었는데, 서비스 목표가 먼저라는 것을 그 대화에서 처음 정리했습니다.
이 기준을 갖고 나서야 실험 방향이 명확해졌습니다. 서비스 특성상 누락이 더 큰 문제라는 것을 확인하고 분리를 넓게 설정했고, 이후 검색 누락 건수가 줄어드는 것을 확인했습니다. 검색 최적화는 기술 선택이 아니라 서비스 목표를 먼저 정의하는 것이 시작이라는 것을 그 대화에서 처음 배웠습니다.
형태소 분석기 설정을 조정하는 과정에서 여러 번 설정을 바꾸다 보니 어떤 설정이 어떤 결과를 냈는지 기억이 희미해지는 문제가 생겼습니다. 나중에 설정을 되돌려야 했는데, 어떤 상태에서 결과가 좋았는지 추적하기 어려웠습니다.
이 경험 이후 형태소 분석기 설정을 바꿀 때마다 설정 값과 테스트 케이스 결과를 표로 기록하는 습관을 만들었습니다. 변경된 설정, 대상 쿼리 유형, 전후 결과를 함께 남기니 나중에 어느 설정이 어떤 쿼리 유형에서 효과적이었는지 보이기 시작했습니다.
기록 습관이 생기면서 팀원이 비슷한 작업을 할 때 이 표를 공유할 수 있었고, 처음부터 실험을 반복하지 않아도 됐습니다. 검색 최적화 작업은 설정이 데이터와 서비스 특성에 따라 달라지기 때문에 직접 실험한 결과를 쌓아두는 것이 가장 신뢰할 수 있는 자산이라는 생각이 남아 있습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 넥스트증권 백엔드 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.