语义重排序

重排序器提高了早期检索机制的结果的相关性。语义重排序器使用机器学习模型根据搜索结果与查询的语义相似性对其进行重新排序。

语义重排序需要相对较大且复杂的机器学习模型，并实时响应查询进行操作。此技术适用于小型 top-k 结果集，作为管道的最后步骤之一。这是一种强大的技术，可提高搜索相关性，并且与关键字、语义或混合检索算法同样有效。

接下来的部分将提供有关语义重排序的优势、用例和模型类型的更多详细信息。最后的部分包括关于如何在 Elasticsearch 中实现语义重排序的实用、高级概述，并提供完整参考文档的链接。

语义重排序支持各种用例

现在我们已经概述了语义重排序的价值，我们将探讨为该过程提供支持的特定模型以及它们的差异。

在高层，有两种模型类型用于语义重排序：交叉编码器和双编码器。

简而言之，交叉编码器提供高精度，但资源密集程度更高。双编码器更快、成本效益更高，但精度较低。

在未来的版本中，Elasticsearch 也将支持双编码器。如果您对交叉编码器和双编码器之间实际差异的更详细分析感兴趣，请取消切换下一节。

在 Elasticsearch 中，语义重排序器是使用 Elasticsearch 推理 API 和检索器实现的。

要在 Elasticsearch 中使用语义重排序，您需要

const response = await client.search({
  retriever: {
    text_similarity_reranker: {
      retriever: {
        standard: {
          query: {
            match: {
              text: "How often does the moon hide the sun?",
            },
          },
        },
      },
      field: "text",
      inference_id: "elastic-rerank",
      inference_text: "How often does the moon hide the sun?",
      rank_window_size: 100,
      min_score: 0.5,
    },
  },
});
console.log(response);

POST _search
{
  "retriever": {
    "text_similarity_reranker": {
      "retriever": {
        "standard": {
          "query": {
            "match": {
              "text": "How often does the moon hide the sun?"
            }
          }
        }
      },
      "field": "text",
      "inference_id": "elastic-rerank",
      "inference_text": "How often does the moon hide the sun?",
      "rank_window_size": 100,
      "min_score": 0.5
    }
  }
}