文本重排

1. 什么是文本重排任务？

文本重排（Text Ranking，通常也称为 Reranking）是自然语言处理和信息检索（如检索增强生成 RAG）中的关键任务。重排模型（Reranker）通常作为多阶段检索系统的第二阶段，对初步检索出的候选文档与查询（Query）之间的相关性进行更深度的语义匹配和精确评分，然后重新排序，从而显著提升检索精度和最终生成质量。

2. 典型应用场景

• 检索增强生成（RAG）：在 LLM 生成回答前，对检索到的知识库文档进行重排，筛选出最相关的 Top-K 块，减少无关信息的干扰，提高回答准确度。
• 搜索引擎与信息检索：结合传统检索（如 BM25）和语义向量检索，通过重排模型对融合后的结果进行二次排序，提升前排结果的相关性。
• 问答系统（QA）：对候选答案进行语义相关性排序，精准定位最佳答案。

3. 影响重排效果的关键因素

模型选择

重排模型通常采用交叉编码器（Cross-Encoder）架构，能同时对查询和文档进行双向注意力计算，比单向嵌入向量（Bi-Encoder）匹配更精准。常用的模型包括 BGE-Reranker、Qwen-Reranker、Jina-Reranker 等。

4. 代码调用示例

以下是通过 Python 调用文本重排 API 的示例：

import requests
import json

url = "https://xxxxxxxxxxxx.space.opencsg.com/v1/rerank"  # 替换为您的 Endpoint 地址
headers = {
    'Content-Type': 'application/json'
}
data = {
    "query": "什么是深度学习？",
    "texts": [
        "深度学习是机器学习的一个子领域，它基于人工神经网络进行表征学习。",
        "今天的天气真好，适合出去散步。"
    ],
    "top_n": 2
}

response = requests.post(url=url, json=data, headers=headers)
response.raise_for_status()
print(json.dumps(response.json(), indent=2, ensure_ascii=False))