> ## Documentation Index
> Fetch the complete documentation index at: https://javaai.pig4cloud.com/llms.txt
> Use this file to discover all available pages before exploring further.
# RAG 结果重排
## RRF
### 基本概念
Reciprocal Rank Fusion (RRF) 是一种用于结合多个排序结果的简单而有效的算法。它通过计算每个候选项在多个列表中的排名倒数，然后将这些倒数相加，从而得出一个"融合分数"，并根据该分数对候选项进行重新排序。
### 示例
假设你和三个朋友在寻找一本丢失的书，每个人列出了最有可能找到书的地点，并按从高到低的顺序进行排序。RRF 就是结合这些排序结果，帮助找到最有可能的地点。
#### 列表数据
* **朋友A的列表：**
1. 书架
2. 桌子
3. 床下
* **朋友B的列表：**
1. 床下
2. 书架
3. 桌子
* **朋友C的列表：**
1. 桌子
2. 书架
3. 床下
#### RRF 计算过程
我们为每个地点计算在每个列表中的排名倒数，然后将这些倒数相加，得到融合分数。
1. **书架**
* 在朋友A的列表中排名第1：$ \frac{1}{1} = 1$
* 在朋友B的列表中排名第2：$ \frac{1}{2} = 0.5$
* 在朋友C的列表中排名第2：$ \frac{1}{2} = 0.5$
* **总分：** $1 + 0.5 + 0.5 = 2$
2. **床下**
* 在朋友A的列表中排名第3：$ \frac{1}{3} = 0.33$
* 在朋友B的列表中排名第1：$ \frac{1}{1} = 1$
* 在朋友C的列表中排名第3：$ \frac{1}{3} = 0.33$
* **总分：** $0.33 + 1 + 0.33 = 1.66$
3. **桌子**
* 在朋友A的列表中排名第2：$ \frac{1}{2} = 0.5$
* 在朋友B的列表中排名第3：$ \frac{1}{3} = 0.33$
* 在朋友C的列表中排名第1：$ \frac{1}{1} = 1$
* **总分：** $0.5 + 0.33 + 1 = 1.83$
#### 排序结果
最后，我们根据每个地点的融合分数排序：
* **书架**: 2
* **桌子**: 1.83
* **床下**: 1.66
因此，书架是最有可能找到书的地点。
这个例子清楚地展示了RRF如何结合多个列表进行排序，从而提高结果的精确性。这种方法常用于信息检索和文档重排序中。
### Reranker
重排序模型的核心是计算用户查询与候选文档之间的语义匹配度，并根据该匹配度对结果进行重新排序。通过这种方式，语义排序的效果能够得到显著提升。它的原理是对每个候选文档计算与用户查询的相关性分数，并按相关性高低输出排序后的文档列表。
Jina AI提供了一个强大的reranker模型，可以轻松集成到LangChain4j项目中。以下是使用Jina Reranker的基本步骤。
#### Maven 依赖
在你的Maven项目中添加以下依赖：
```xml theme={"system"}
dev.langchain4j
langchain4j-jina
```
#### 基本用法
以下是在LangChain4j中使用Jina Reranker的基本示例：
```java theme={"system"}
// 创建Jina评分模型
ScoringModel scoringModel = JinaScoringModel.builder()
.apiKey(System.getenv("JINA_API_KEY"))
.modelName("jina-reranker-v2-base-multilingual")
.build();
// 创建内容聚合器
ContentAggregator contentAggregator = ReRankingContentAggregator.builder()
.scoringModel(scoringModel)
// 可以添加其他配置选项
.build();
// 创建检索增强器
RetrievalAugmentor retrievalAugmentor = DefaultRetrievalAugmentor.builder()
// 添加其他必要的配置
.contentAggregator(contentAggregator)
.build();
// 构建AI服务
Assistant assistant = AiServices.builder(Assistant.class)
.chatModel(/* 配置你的语言模型 */)
.retrievalAugmentor(retrievalAugmentor)
.build();
```
#### 关键组件说明
1. **JinaScoringModel**: Jina Reranker的核心组件，需要API密钥和模型名称。
2. **ReRankingContentAggregator**: 使用评分模型来重新排序检索到的内容。
3. **RetrievalAugmentor**: 整合检索和重新排序过程的高级组件。
4. **AiServices**: LangChain4j的工具类，用于构建集成了各种功能的AI服务。
#### 注意事项
* 设置`JINA_API_KEY`环境变量。
* 选择适合任务的Jina模型。
* ReRankingContentAggregator和RetrievalAugmentor可能需要额外配置。
#### 进阶使用
1. 调整重新排序的参数，如考虑的结果数量。
2. 结合其他检索技术，如向量搜索。
3. 实现自定义的评分逻辑。
## RRF vs Reranker 比较
| 特点 | Reciprocal Rank Fusion (RRF) | 重排序 (Rerank) |
| --------- | ---------------------------- | -------------- |
| **目的** | 融合来自多个源的结果 | 对初步结果进行重新排序 |
| **方法** | 计算排名倒数并累加 | 使用模型评估相关性并调整顺序 |
| **实现复杂度** | 相对简单 | 依赖特定模型，复杂度较高 |
| **适用场景** | 多源数据融合 | 结果优化和精细化处理 |
## 结论
RRF和Reranker是两种不同但互补的技术。RRF更适合于多源数据的融合，而Reranker则专注于提高单一查询结果集的质量和相关性。在实际应用中，可以根据具体需求选择适当的方法，或将两者结合使用以达到更好的信息检索效果。通过集成像Jina Reranker这样的工具到LangChain4j项目中，可以显著提高检索结果的质量，这对于构建高性能的问答系统、搜索引擎或任何需要精确信息检索的应用程序都是非常有价值的。
**为Java开发者提供全栈式AI工程化解决方案**，强类型/高可维护性架构，内置30+主流大模型支持。
* **🔍 知识引擎体系**：RAG 知识引擎全自动化多模态解决方案
* **📝 AI-OCR 中枢**：复杂非标场景高精度识别
* **⚙️ 业务智能融合**：函数编排 + Chat2SQL，无缝对接现有业务系统
* **🛡️ N维风控体系**：敏感词/IP/Token/User 规则控制引擎
发现文档问题？点击此处直接在 GitHub 上编辑并提交 PR，帮助我们改进文档！
发现文档问题？点击此处直接在 GitHub 上编辑并提交 PR，帮助我们改进文档！