工程 · 深度词条

Reranking(重排序)

先快速找出一批候选资料,再用更精细的模型重新排序,把最相关的放到前面。

专题词条基础释义核对 2026-10-20专题核对 2026-10-20增补 2026-11-192 条来源
本页目录 12 节

四层解释

通俗

先快速找出一批候选资料,再用更精细的模型重新排序,把最相关的放到前面。

专业

Reranking 使用 Cross-encoder、生成模型或任务规则,对初始召回集合计算更准确但成本更高的相关性分数。

机制

第一阶段优化高召回,第二阶段同时读取查询和候选正文,输出新的相关性顺序,再截取有限片段进入上下文。

工程

要联合调节召回数量、Reranker 延迟、上下文预算和业务过滤,并用端到端答案指标验证收益。

全链路位置

INPUT查询与初始候选集合
→
PROCESS更精细的成对相关性评分
→
OUTPUT重新排序后的少量高相关证据

常见用途

  • RAG 证据选择
  • 搜索结果优化
  • 推荐候选精排

专业边界

  • 无法找回第一阶段完全漏掉的资料
  • 精排模型也可能受领域和长度限制

常见误解

  • 重排可以弥补任何召回问题
  • 把更多候选送入重排总会更好

决赛评委看不到落选的稿子

虚构示例

编辑初选十篇稿件,主编逐篇读完,把最适合封面的那篇从第八提到第一。作者问起另一篇更合题的稿子,主编翻遍桌面也没有:它在初选时就漏掉了。

自拟教学说明

Reranking(重排序)能改变候选的先后,不能让未入选的材料凭空出现。找不到目标文档时,先看它有没有进入候选集,再决定该改检索还是改排序。

为什么检索后还要再排一次

第一阶段通常快速取回较大候选集合,Reranker 再判断问题与各候选的相关性并调整顺序。常见实现可以联合处理查询与文档;具体模型与服务不同,不宜把 Cross-Encoder 当作所有重排器唯一结构。

依据Reranking

它不能找回没有进入候选的证据

重排只作用于候选集。如果关键段落没被召回,换一个更强重排器也不能凭空补回。候选规模、片段长度与延迟是需要测量的权衡;分数一般用于排序,不应直接当成“答案正确概率”。

依据Reranking

Worked Example

给政策问答选证据

虚构教学示例,不对应真实业务数据或性能承诺。

  1. 第一轮召回

    拿到包含现行政策、旧政策和相关 FAQ 的候选集合。

  2. 先过滤再排序

    先按权限与有效期剔除不适用项,再比较问题与段落的相关性。

  3. 检查覆盖

    选出的段落必须覆盖资格、期限与例外,不能只取重复表达同一条件的片段。

重排优化候选的次序,证据覆盖和业务适用性仍要单独核对。

来源与核对记录

S1
RerankingWeaviate · 官方技术文档 · 查阅 2026-10-20
S2
Retrieval-Augmented Generation for Knowledge-Intensive NLP TasksLewis et al. · 原始论文 · 查阅 2026-10-22

基础释义核对:2026-10-20。专题核对:2026-10-20。局部增补:2026-11-19。局部修订不代表旧正文全部复核,尚未完成外部专家审稿。