在混合搜索中使用倒数排名融合 (RRF) 的相关性评分

项目
03/05/2024

倒数排名融合 (RRF) 是一种算法，可评估多个以前的排名结果中的搜索分数以生成统一的结果集。在 Azure AI 搜索中，每当并行执行两个或更多个查询时，都会使用 RRF。每个查询都会生成一个排名结果集，RRF 可用于将排名合并和同质化为单个结果集，在查询响应中返回。始终使用 RRF 的示例方案包括混合搜索和并行执行的多个矢量查询。

RRF 基于倒数排名的概念，即搜索结果列表中第一个相关文档的排名的倒数。该方法的目标是考虑项目在原始排名中的位置，并赋予在多个列表中排名较高的项目更高的重要性。这有助于提高最终排名的整体质量和可靠性，使其对融合多个有序搜索结果的任务更加有用。

RRF 排名的工作原理

RRF 的工作方式是获取来自多种方法的搜索结果，为结果中的每个文档分配一个倒数排名分数，然后将这些分数结合起来创建一个新的排名。其概念是，在多个搜索方法中出现在顶部位置的文档很可能相关度更高，因此应在合并结果中排名较高。

下面是 RRF 过程的简要说明：

从并行执行的多个查询中获取排名的搜索结果。
为每个排名列表中的结果分配倒数排名分数。 RRF 为每个结果集中的每个匹配项生成新的 @search.score。对于搜索结果中的每个文档，引擎基于其在列表中的位置分配倒数排名分数。分数按 1/(rank + k) 计算，其中 rank 是文档在列表中的位置，k 是一个常量，经实验证明，如果将它设置为 60 这样较小的值，则效果最佳。请注意，这个 k 值是 RRF 算法中的常量，与控制最近的邻域数的 k 完全不同。
合并分数。对于每个文档，引擎将从每个搜索系统中获得的倒数排名分数相加，为每个文档生成合并分数。
引擎根据合并分数对文档进行排名和排序。得到的列表即为融合排名。

只有索引中标记为 searchable 或查询中标记为 searchFields 的字段才用于评分。搜索结果中仅返回标记为 retrievable 的字段或在查询中的 select 中指定的字段，还会返回它们的搜索分数。

并行查询执行

每当有多个查询执行时，都会使用 RRF。下面的示例演示了出现并行查询执行时的查询模式：

一个全文查询，加上一个矢量查询（简单的混合场景），等于两个查询执行。
一个全文查询，加上一个面向两个矢量字段的矢量查询，等于三个查询执行。
一个全文查询，加上两个面向五个矢量字段的矢量查询，等于 11 个查询执行

混合搜索结果中的分数

每次对结果排名时，@search.score 属性都包含用于对结果进行排序的值。分数是由每种方法的排名算法生成的。每种算法都有自己的范围和幅度。

下图标识了根据每个相关性排名算法的每个匹配项、算法和分数范围返回的评分属性。

搜索方法	参数	评分算法	范围
全文搜索	`@search.score`	BM25 算法	没有上限。
矢量搜索	`@search.score`	HNSW 算法，使用 HNSW 配置中指定的相似性指标。	0.333 - 1.00（余弦），0 到 1（欧几里德和点积）。
混合搜索	`@search.score`	RRF 算法	上限受融合的查询数限制，每个查询对 RRF 分数的贡献最大约为 1。例如，合并三个查询比只合并两个搜索结果生成的 RRF 分数更高。

混合查询响应中的排名结果数

默认情况下，如果你不使用分页，搜索引擎会返回全文搜索的前 50 个最高排名匹配项，以及矢量搜索的最相似的 k 匹配项。在混合查询中，top 决定了响应中的结果数。默认情况下，会返回统一结果集的前 50 个最高排名匹配项。

通常，搜索引擎会比 top 和 k 查找到更多结果。要返回更多结果，请使用分页参数 top、skip 和 next。分页是确定每个逻辑页面上的结果数并浏览完整有效负载的方式。

全文搜索的最大限制为 1,000 个匹配项（请参阅 API 响应限制）。找到 1,000 个匹配项后，搜索引擎便不再进行查找。

有关详细信息，请参阅如何处理搜索结果。

搜索评分工作流的示意图

下图展示了混合查询，其调用关键字和矢量搜索，并通过计分概要文件进行提升。

生成之前的工作流的查询可能如以下所示：

POST https://{{search-service-name}}.search.azure.cn/indexes/{{index-name}}/docs/search?api-version=2023-11-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
   "search":"hello world",
   "searchFields":"field_a, field_b",
   "vectorQueries": [
       {
           "kind":"vector",
           "vector": [1.0, 2.0, 3.0],
           "fields": "field_c, field_d"
       },
       {
           "kind":"vector",
           "vector": [4.0, 5.0, 6.0],
           "fields": "field_d, field_e"
       }
   ],
   "scoringProfile":"my_scoring_profile"
}