完整定義
重排序模型 (Reranking) 是一種資訊檢索技術,它在初步檢索階段後,對檢索到的候選結果進行重新排序。其目的是利用更複雜的模型和更精細的特徵,提升檢索結果的相關性和準確性。重排序模型通常應用於搜尋引擎、推薦系統等場景,以改善使用者體驗。
白話說明
你搜尋資料時,是不是常先拿到一大串結果,然後才慢慢挑出最有用的那幾筆?
你可以把重排序模型想成第二關的篩選員,先把可能相關的結果撈上來,再仔細排一次順序。
它重要是因為第一輪檢索講求快,第二輪重排序講求準,兩者一起用,搜尋和問答體驗會差很多。
記住這句
先快篩,再精排,答案才會更準。
比喻:Reranking 就像你點完菜,服務生再幫你把主菜、配菜、飲料擺好順序 -- 初步檢索找到了一堆結果,但重排序模型會用更精細的眼光,把最符合你需求的排在前面。
容易混淆
重排序 vs 初步檢索
重排序看的是更細的語意和上下文
初步檢索看的是速度和粗篩能力
最關鍵的區別是處理的是候選集還是全庫搜尋。
重排序 vs 向量檢索
重排序通常用更重的模型重新打分
向量檢索是先用向量相似度找候選
最關鍵的區別是第一輪找人,第二輪排隊。
實際案例
客服知識庫搜尋
使用者先被 BM25 找到 50 筆可能答案,再由重排序模型把真正能解決問題的內容排到最前面。
RAG 文件檢索
問答系統先撈出候選段落,再用重排序挑出最相關的 5 段送進大模型。
演算法與應用
常見做法是用 cross-encoder 直接看查詢與候選文件的整段內容,所以準,但比較慢。
評估時常看 NDCG、MRR 或 MAP,因為重排序在乎的是名次順序。
候選集品質很重要,因為重排序再強,也救不了第一輪完全沒撈到的資料。
情境判斷
Q1(直覺題):如果系統先撈出 100 筆,再把前 10 筆重新排順序,這一步是什麼?
這就是重排序,因為它只在候選集上做更精細的排序。
Q2(判斷題):候選資料很差,但重排序模型很強,最後結果一定會好嗎?
不一定。第一輪如果把真正相關的資料漏掉,第二輪再強也救不回來。
常見問題
A:通常需要,尤其是深度學習版本,因為它要學的是細緻的相關性判斷。
A:常用 NDCG、MRR、MAP,也會看線上點擊率或轉換率。
A:大多數實作會這樣設計,因為速度和精準度很少能靠同一個模型同時做到最好。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本