Reranker

重选器是多级信息系统中使用的一种复杂模型，用于完善和改进初始候选名单的排序。可以将其视为质量控制专家。被称为检索器的初级系统会快速收集大量潜在的相关项目，而检索器则会对这一较小的、预先过滤过的项目集进行更详细的计算密集型分析。其目标是对这些条目进行重新排序，将最相关的条目放在最前面，从而提高最终输出的精确度和实用性。通过这两步流程，系统可以在速度和准确性之间取得平衡，从而高效地提供高质量的结果。

Rerankers 如何工作

重新排名通常涉及现代搜索和推荐系统中常见的两阶段架构：

1. 第一阶段检索：快速但不太精确的模型（检索器）会扫描庞大的数据库或索引，以快速找到大量候选项。对于搜索引擎来说，这可能涉及查找包含特定关键词的所有文档。在计算机视觉中，这可能是一个初始模型，为物体生成无数潜在的边界框。这里的首要任务是高召回率--确保不遗漏任何相关项目。
2. 第二阶段重新排名：然后将初始候选集（如前 100 个搜索结果）传递给重新排序器。这通常是一个更复杂、更强大的模型，如基于 Transformer 的神经网络。重检索器会更详细地检查候选结果，考虑微妙的上下文、语义关系以及第一阶段检索器为追求速度而忽略的复杂特征。然后，它会为每个条目计算出新的、更精确的相关性得分，并相应地对列表重新排序。这种对精确性的关注确保了最高质量的结果。

这种方法的计算效率很高，因为昂贵的重排模型只处理全部数据中的一小部分，而这些数据已经被速度更快的检索器过滤过了。

重新排名者与第一阶段检索者

重要的是要区分重试者和第一阶段检索者。

• 第一阶段寻回犬：优化速度和召回能力。它的任务是快速筛选海量数据，并创建一个广泛、包容的候选列表。它使用较简单的评分方法，如关键词匹配或基本嵌入。
• Reranker：针对精确性和相关性进行了优化。它从检索器中获取可管理的列表，并应用深入的上下文感知分析来生成最终的高精度排名。它的运行速度较慢，资源密集度较高，但数据集要小得多。

从本质上讲，寻回者撒下一张大网，而寻回者则仔细检查捕获的鱼，以找到获奖的鱼。

应用与实例

在许多先进的人工智能应用中，重新排名器都是一个关键组件：

• 网络搜索引擎： 谷歌和微软必应等公司使用多阶段排名系统，其中重链器发挥着至关重要的作用。在初始检索获取数千个网页后，复杂的重排序器会分析用户意图、内容质量和来源权威性等因素，以呈现最相关的结果。这是现代信息检索研究的核心部分。
• 电子商务平台：像亚马逊这样的网站会使用 reranker 来完善产品搜索结果和推荐。最初的搜索可能会显示所有的 "跑步鞋"，但reeranker 会分析用户评论、购买历史和品牌受欢迎程度，向用户展示他们最有可能购买的商品。亚马逊科学等机构的研究对此进行了详细说明。
• 检索增强生成（RAG）：在使用大型语言模型（LLM）的系统中，RAG首先从知识库中检索相关文档。然后，重排器会对这些文档进行筛选，以确保将事实最准确、上下文最相关的信息传递给LLM，从而显著提高生成响应的质量。Cohere Rerank API等服务就是专门为此目的而设计的。
• 计算机视觉中的类比：虽然后处理技术（如Ultralytics YOLO等物体检测模型中使用的非最大值抑制（NMS））在传统上并不被称为 "reerankers"，但其核心理念是相同的。物体检测器首先会提出大量具有不同置信度的潜在边界框。然后，NMS 根据得分和重叠度(IoU) 评估这些候选框，抑制多余或置信度较低的框，只保留最有可能的检测结果，从而起到重新筛选的作用。这一完善步骤对于实现干净准确的最终预测至关重要。您可以探索性能基准，了解此类模型的模型训练技巧，这些模型通常是在Ultralytics HUB 等平台上训练和管理的。