想象一下：您正在构建一家餐厅搜索，需要平衡位置相关性与美食匹配。一些查询更关心“我附近的披萨”，而另一些查询则优先考虑“供应 cacio e pepe 的意大利餐厅”或“备受好评的意大利餐厅”。到目前为止，Elasticsearch 的倒数秩融合 （RRF） 将所有检索者视为平等，但您的搜索策略不应该。
这就是加权 RRF 的用武之地。您现在可以微调它们的影响力，从而创造更细致、更有效的搜索体验，而不是在搜索结果中为每个猎犬提供相同的声音。在本博客中，我们将探讨加权 RRF 的需求，并演示如何将其用于不同的搜索场景。
挑战：一刀切并不适用
RRF 非常适合将不同的检索策略（如关键字、语义和向量搜索）组合到单个排名结果集中。但是，当某些检索方法对特定查询类型更有价值时，平等对待所有检索器可能会限制您的搜索质量。
考虑一个餐厅搜索，其中不同的查询类型需要不同的排名策略：
- 以位置为中心的查询，比如 “pizza near me”，需要以城市、社区或距离等基于位置的信号在排序中占主导。
- 以菜品为中心的查询，比如 “Italian restaurants that serve cacio e pepe”，应当优先考虑菜单项匹配和菜系类型，而不是距离远近。
- 以质量为中心的查询，比如 “highly reviewed Italian restaurants”，应当把评分和评论置于所有其他因素之上。
在加权 RRF 之前，平衡信号的标准方法是分数的线性组合（分配固定权重并将它们相加）。虽然功能强大，但这种方法通常需要解决方法，例如多次搜索通道、自定义评分功能或手动后处理，所有这些都很难有效维护和调整。
加权 RRF 通过提供一个统一的框架来消除这些痛点，其中每个检索器都可以拥有自己的权重，并且 RRF 算法自动处理排名融合。
解决方案：通过加权实现精确
加权 RRF 提供了一种简单但强大的方法来为您的猎犬分配不同的重要性级别。每个检索器现在都接受一个权重参数，该参数会影响其对最终 RRF 分数的贡献。
这对您的搜索意味着什么
加权 RRF 使您可以灵活地创建更智能、更量身定制的搜索体验。
- 更智能的相关性调整：不再有一刀切的排名。为您的语义搜索检索器提供更高的概念查询权重（“查找具有舒适氛围的餐厅”），同时提高特定术语（“玛格丽特披萨”）的关键字匹配。
它在实践中是如何工作的
假设您正在构建餐厅搜索。以下是加权 RRF 如何针对不同的搜索方案转换查询策略：
场景 1：“Pizza near me” —— 以位置为中心的搜索
个用户在手机上搜索 “pizza near me”。在这种情况下，距离最重要。加权 RRF 让我们能够给予基于位置的信号（城市、社区、邮政编码）更多的影响力，而不是关键词 “pizza” 的匹配。
以下是该查询在 JSON 中的样子：
{
"retriever": {
"rrf": {
"retrievers": [
{
"retriever": {
"standard": {
"query": {
"multi_match": {
"query": "Vienna",
"fields": ["city", "neighborhood", "postal_code"]
}
}
}
},
"weight": 0.8
},
{
"retriever": {
"standard": {
"query": {
"match": {
"menu_items": "pizza"
}
}
}
},
"weight": 0.2
}
]
}
}
}
即使菜单文本匹配较弱，这种权重也有利于附近的餐厅。
场景 2：“Italian restaurants that serve cacio e pepe” —— 以菜系和菜品为中心的搜索
在这里，用户正在寻找特定的美食和菜肴。加权 RRF 强调美食和菜单匹配，同时仍然允许邻近发挥次要作用。
以下是该查询在 JSON 中的样子：
{
"retriever": {
"rrf": {
"retrievers": [
{
"retriever": {
"standard": {
"query": {
"match": {
"cuisine_type": "Italian"
}
}
}
},
"weight": 0.4
},
{
"retriever": {
"standard": {
"query": {
"match": {
"menu_items": "cacio e pepe"
}
}
}
},
"weight": 0.6
}
]
}
}
}
这种权重促进了明确提及菜肴和美食的餐厅，即使它们距离稍远。
场景 3：“Highly reviewed Italian restaurants” —— 以质量和菜系为中心的搜索
当质量是重中之重时，评级的权重最大。加权 RRF 允许评级阈值来指导排名，同时将美食类型作为支持因素。
以下是该查询在 JSON 中的样子：
{
"retriever": {
"rrf": {
"retrievers": [
{
"retriever": {
"standard": {
"query": {
"range": {
"rating": {"gte": 4.5}
}
}
}
},
"weight": 0.7
},
{
"retriever": {
"standard": {
"query": {
"match": {
"cuisine_type": "Italian"
}
}
}
},
"weight": 0.3
}
]
}
}
}
这种加权方式会提升高评分的 Italian 餐厅，在保持菜系相关性的同时，让评分起主导作用。
加权 RRF 通过每个检索器的权重将这些偏好直接编码为排名，因此最终顺序反映了每个查询的重要内容。
底层原理
在计算最终分数时，标准的 RRF 公式被加上了权重：
示例：rank_constant = 60。每个检索器的贡献为：weight × 1 / (rank + rank_constant)。权重越高，影响力越大；排序从 1 开始。
主要技术特点包括：
- 选择权重：在需要更精细控制时选择每个猎犬的权重，或者在只有某些猎犬需要权重时选择默认权重。
- 输入验证：权重必须为非负数。
有关高级自定义和混合评分（包括规范化），请参阅线性检索器 https://www.elastic.co/docs/reference/elasticsearch/rest-apis/retrievers/linear-retriever
下一步是什么？
加权 RRF 将 RRF 扩展到需要比标准 RRF 提供的更多控制的生产用例。需要对搜索相关性进行细粒度控制的团队现在可以使用 RRF 而不是构建自定义解决方案。无论您是在平衡餐厅的位置与美食、电子商务的品牌与类别，还是任何其他复杂的排名场景，加权 RRF 都能为您提供所需的精度。
我们迫不及待地想看看您将如何使用加权 RRF 来创建更智能、响应更灵敏的搜索体验。快乐搜索！
准备好深入了解了吗？在我们的官方文档中探索 Reciprocal Rank Fusion 和 Retriever API。
原文：https://www.elastic.co/search-labs/blog/weighted-reciprocal-rank-fusion-rrf
