混合召回、查询增强与重排

两个检索通道可能分别给出100分和0.82分，直接相加会让大尺度通道主导。RRF先把分数换成名次，每一通道贡献1/(c+rank)；c越大，前几名的差距越平缓。它解决分数尺度问题，不自动解决语料偏差。

from collections import defaultdict
def rrf(lists, c=60):
    scores = defaultdict(float)
    for ranking in lists:
        for rank, doc in enumerate(dict.fromkeys(ranking), 1):
            scores[doc] += 1/(c+rank)
    return sorted(scores, key=lambda x: (-scores[x], x))
assert rrf([['a','b'], ['b','c']])[0] == 'b'
assert rrf([['a','a'], ['b']]) == ['a','b']
print(rrf([['a','b'], ['b','c']]))

b在两条列表出现而成为首位。单个通道中的重复项只算一次，否则重复片段可以刷分。同分时按ID排序只是稳定输出，不代表业务优先级。

多查询用不同表述扩大候选，但必须保留原查询：改写把“不要含糖”变成“含糖”会完全反转需求。HyDE生成假想文档并编码，适合表述和语料落差较大时试验，假想内容不能作为最终引用。查询路由先选文档域，可以节省成本，也可能误路由；保留无法确定时的多路或澄清分支。

Cross-encoder将query与每个候选联合输入，用交叉注意力细化排序。分数是否为概率取决于模型与激活；不能把任意logit 0.8解释为80%正确。重排前的候选上限控制费用与延迟，正文长度截断也可能丢失关键句。缓存key要包含query、文档版本、重排模型及模板。

MMR在相关性与已选结果的相似性之间权衡，避免选出五个同义片段；但相似的规则和例外不能因“重复”被丢弃。评估需同时看Recall、MRR、nDCG以及最终回答。nDCG适合多级相关性：先按排名折扣累加增益，再除以理想排序增益；没有相关项的问题单独统计。

Sentence Transformers 的检索与重排说明区分独立编码与联合编码。真实模型实验需要下载权重并固定revision，离线RRF运行只能证明融合规则，不能证明模型重排质量。

练习

三个通道分别为[a,b]、[b,c]、[c,a]。求融合结果并说明为什么固定平局规则有意义。

完成后查看本章答案。

下一篇：继续本章完整实验。