什么是倒数排名融合（Reciprocal Rank Fusion）？一种合并多路检索结果的重排算法

倒数排名融合（Reciprocal Rank Fusion，RRF）是一种把多路已经排好序的检索结果合并为单一结果集的算法。它不直接比较各路查询给出的原始相关性分数，而是根据文档在每一个结果列表中的名次计算倒数排名分，再把同一文档在各列表中的分数相加，按总分重新排序。它主要解决的是：当全文检索、向量检索等多种检索方式并行执行、各自产出分数量纲完全不同的结果时，如何得到一个统一、可比较的最终排名。

为什么重要

在只有一种检索方式的场景里，排序问题相对简单：系统内部用同一套打分函数给文档打分，按分数从高到低返回即可。但现代检索系统往往同时运行多种检索方式。以混合检索为例，一次请求可能既包含全文（关键词）查询，也包含向量（语义）查询；多向量查询还可能针对多个向量字段分别执行。每一路查询都会产出一个独立的排序列表。

问题在于，这些列表的分数不可直接相加。不同排序算法各有自己的取值范围和数量级，同一个数值在全文检索里和在向量检索里代表的含义并不相同。如果简单地把原始分数相加或取平均，某一路分数天然偏大的检索方式就会主导最终结果，融合反而损害相关性。此外，不同检索方式对同一文档的判断也可能不一致：关键词匹配强的文档语义未必贴近，语义贴近的文档未必包含查询词。

RRF 的思路是绕开分数本身，只使用名次这一在各路结果中含义一致的信息。名次是相对的、有界的，因此可以在不同检索方式之间直接比较和累加。按照微软 Azure AI Search 官方文档的说法，这种做法有助于提升最终排名的整体质量与可靠性，使融合多个有序检索结果的结果更适合实际任务。

工作机制

根据微软 Azure AI Search 官方文档的描述，RRF 的流程可以拆成以下几个步骤：

1. 并行获取多路排序结果。多个查询并行执行，每个查询各自返回一个已排序的结果集。文档指出，只要存在多于一次查询执行，就会用到 RRF。
2. 为每路结果中的文档计算倒数排名分。引擎针对每个结果集中的每条匹配生成新的 @search.score。对列表中的每个文档，按其在该列表中的位置计算分数，公式为 1/(rank + k)，其中 rank 是文档在列表中的名次，k 是一个常数。
3. 关于常数 k。文档称实验表明，把 k 设为较小的值（例如 60）时算法表现最佳。文档同时强调，这个 k 是 RRF 算法内部的常数，与控制最近邻数量的那个 k 完全无关，两者不应混淆。
4. 合并分数。对每个文档，引擎把它在各路检索系统中得到的倒数排名分相加，得到一个合并分数。
5. 按合并分数重新排序。引擎依据合并分数对文档排序，得到的列表就是融合后的排名。

这一机制背后的直觉是：在多个检索方式中都排在靠前位置的文档，很可能确实更相关，理应在合并结果中获得更高名次；而只在某一路中靠前、在其他路中靠后的文档，累计得分会被拉低。由于分数只取决于名次，某一路检索给出的原始分数是 0.9 还是 90 都不影响融合结果，这从根本上消除了量纲不一致的问题。

文档还说明了参与计算与返回的字段范围：只有索引中标记为可搜索（searchable）的字段，或查询中通过 searchFields 指定的字段，才用于打分；只有标记为可检索（retrievable）的字段，或查询中通过 select 指定的字段，才会连同其搜索分数一起出现在返回结果中。

典型例子

微软 Azure AI Search 官方文档给出了几种会触发并行查询执行、从而使用 RRF 的查询形态：

• 一个全文查询加一个向量查询，即简单的混合检索场景，共两次查询执行。
• 一个全文查询加一个针对两个向量字段的向量查询，共三次查询执行。
• 一个全文查询加两个向量查询、共针对五个向量字段，共十一次查询执行。

这些例子说明，RRF 的输入路数并不固定，可以随查询结构变化而增加。文档还指出，在 Azure AI Search 中，RRF 用于两个或更多查询并行执行的场合，例如混合查询和多向量查询；每个单独查询产出各自的排序结果集，RRF 再把这些排名合并、同质化为查询响应中的单一结果集。

关于分数的呈现，文档说明：只要结果经过排序，@search.score 属性就包含用于排序结果的值；这些分数由各不相同的排序算法生成，每种算法都有自己的取值范围和数量级。这也正是需要 RRF 这类基于名次的融合方法的原因。

边界与常见误解

它不是一种新的相关性模型。RRF 本身不判断文档与查询的语义相关程度，它只是对已有排序结果做合并。文档能否被召回、在某一路中排第几，取决于上游的全文检索或向量检索。因此，如果所有上游检索都没有召回某篇文档，RRF 也无法把它找回来。

它丢弃了原始分数的信息。只使用名次意味着两篇在同一列表中分列第 1 与第 2 的文档，在 RRF 看来差距很小；而实际上它们的原始分数可能相差悬殊。这是用名次换取跨检索方式可比性的代价，文档并未声称 RRF 在所有场景下都优于基于分数的融合方式。

常数 k 容易被误解。文档特别提醒，RRF 公式中的 k 与向量检索中控制最近邻数量的 k 是两回事。文档给出的「k 取 60 左右表现最佳」来自其所述的实验，属于该文档的表述，不应被推广为所有系统、所有数据集上的通用结论。

字段设置会影响结果。由于只有可搜索字段参与打分、只有可检索字段随分数返回，索引与查询中的字段配置会直接影响 RRF 能看到什么、返回什么。这一点常被忽略。

适用范围。上述机制描述来自微软 Azure AI Search 的官方文档，描述的是该服务中的实现与行为；其他检索系统即使同样采用倒数排名融合，其常数取值、字段规则和分数呈现方式也可能不同，需以其各自的文档为准。

参考资料

• Microsoft Learn：Relevance scoring in hybrid search using Reciprocal Rank Fusion (RRF)