“ 相似度召回的作用是快速从海量文档中召回相关文档，而rerank重排序的作用是在这些相关文档中找到相关性最高的文档。”
这段时间在完成基于RAG的聊天对话系统之后，开始优化各个环节的功能；这时才真正发现，RAG做出来不难，想做好真的不容易。
这次在优化上下文结构时发现了一个问题，那就是相似度计算和重排序；在刚开始对相似度计算和重排序的理解就是，通过相似度进行数据召回，然以后再通过重排序找到其中最相关的内容。
这样理解虽然不能说有错，但理解的却不够透彻；在系统开发的过程中曾经遇到过一个问题，那就是召回率不足；很多相关的数据无法召回，至于原因么有很多，但主要原因是处理的文档质量不高，导致相似度召回时，其阈值特别低。
因此，为了解决这个问题，暂时就通过降低阈值，并去掉重排序的方式来提高召回率；因为，很多时候即使通过相似度或其它方式召回数据，但最终在重排序时会被过滤掉。也就是说召回的相似度高的数据，和问题关联度并不一定高。
相似度召回和重排序
之所以注意到相似度召回和重排序的原因是，在多个向量库中进行相似度召回的时候发现，明明在这个向量库中并没有与问题相关的数据，但事实上却召回了一部分数据，并且这部分数据的相似度值比原文档所在的向量库中的值更高。
也就是说，在本应该有问题相关文档的库中召回的数据，还没有其它库中无关数据的相似度高；这就是一个很奇怪的问题，到底是因为文档处理的质量太低，还是因为嵌入的时候有问题。
因此，面对这种情况肯定需要对召回的文档进行重排序，以筛掉无关的数据；因此，在使用rerank模型进行排序时发现，那些其它库中相似度高的数据都被筛掉了，而原本库中相似度低的数据反而留了下来；当然这样才属于正常。
但这个无关数据的相似度更高的问题还是没有被解决；而在相似度召回中，有好几种相识度计算的方式，比如说余弦相似度，内积，欧式距离等多种计算方式。
因此面对不同的业务场景和数据类型，选择合适的相似度计算方式，也能间接增强召回的准确度。
Reranker与embedding模型的区别
尽管Reranker和Embedding模型都用于信息检索系统，它们的定位和功能却是不同的。
Embedding模型主要用于初步筛选文档。它将文本转换为向量表示，并计算这些向量之间的相似度，从而筛选出一组可能相关的候选文档。Embedding模型的优势在于它的计算效率高，适合处理大规模数据集。
Reranker则用于对Embedding模型筛选出的候选文档进行精细排序。Reranker通常基于复杂的深度神经网络，能够更好地理解文本的上下文和细微差异，从而提供更高的排序精度。
简单来说，Embedding模型负责“找出一批可能相关的候选文档”，而Reranker负责“在这些候选文档中找出最相关的，并将它们按相关性排序”。
Reranker能否直接用于检索？
理论上，Reranker可以直接用于检索，但在实际应用中并不常见。这是因为Reranker的计算复杂度较高，直接使用它对整个数据集进行排序会导致极高的计算成本，难以满足实时性要求。因此，通常我们会先用Embedding模型进行初步筛选，将文档集合缩小到一个合理的范围，然后再使用Reranker进行精细排序。
总结
结合Embedding模型和Reranker的优势，实现了效率和准确性的平衡。Embedding模型负责快速筛选候选文档，而Reranker则通过更细致的分析对这些文档进行精准排序，虽然其计算开销较高，但它在提升排序准确性方面的作用不可忽视。
