RRF 融合排序的做法与原理
哪些公司问过
答案要点
- 公式:score(d) = Σ_i 1/(k + rank_i(d)),未被某路召回则该路不计分
- k 为平滑常数,原论文取 60,用于削弱头部名次之间的差距
- 只用排名不用分数,避免不同检索器分数尺度不可比和归一化难题
- 原理:被多路同时排在前列的文档更可能相关,多路共识得分更高
- 局限:丢失分数差距信息,未考虑各路检索质量差异,可对各路加权改进
易错点
- 直接把不同检索器的原始分数相加,忽略尺度差异
- 记错公式,把排名直接相加或漏掉平滑常数 k
- 认为 RRF 可以替代重排模型
面试官常见追问
- 所以这个 RRF 是用向量检索的结果和 ES 的结果来融合的吧?
- 为什么还要再做一次 rerank?
- 怎么优化 rerank 的结果?怎么确保 rerank 效果是好的?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。