两种检索找到不同文档：如何避免直接相加不兼容的分数？

生成模型不能独自解决的问题

助手在技术档案中寻找正确流程。关键词检索把包含准确零件编号的文档排在首位，语义检索则更重视使用不同措辞的说明。两者都可能合理，但分数尺度不同。直接相加，可能让数值尺度而不是相关性决定结果。本文解释倒数排名融合RRF如何结合位置，以及这种捷径会丢失什么信息。最终问题不是能否得到顺序，而是有没有理由信任所得顺序。

摘要。构造两个包含五篇文档的合成排序，用精确分数计算RRF。内容不变时，参数k在约4.4641这一解析阈值两侧改变A和C的相对位置。每个列表只保留前两项会再次改变顺序；把同一检索器计算四次，则会让按既定标签不相关的文档登顶。本文只计算单个案例的平均精度，不是基准测试。RRF避免直接比较分数尺度，却没有消除候选集、检索器相关性和评估方面的选择。

排序究竟包含什么

文档是有明确身份的对象，而不只是与另一段文字相似的内容。A、B、C、D、E代表五个不同对象。排序是有序列表，位置1最好。同一系统不能因重复返回一个标识而给它两票，代码会拒绝这种输入。按标识去重，并不等于删除表达相同意思的不同文档。后一种冗余需要内容层面的判断，不属于这里的公式。

L1为A-B-C-D-E，L2为B-C-D-E-A。可以把它们想象成词法和语义检索，但我们没有运行这些引擎；输入是为隔离机制而构造的。评估时只把B和C声明为相关。标签不是从排名推导出来的，而是单独确定，类似独立相关性判断的评估协议。在真实档案中，还必须说明谁针对什么问题定义相关性，以及判断样本中缺少哪些文档。

在检索增强生成RAG中，生成器先获得选定文档或片段，再组织答案。融合发生得更早，决定提交哪些候选以及先后次序。它不检查生成句子是否有文档支持，也不检查文档版本是否仍有效。这一区分很重要：更好的检索可能改善可用上下文，但看起来合理的排序不能证明最终答案正确。

相加的是排名贡献，而非置信度

一个引擎给12分，另一个给0.8分，二者相加并不会自动获得共同意义。即使只缩放第一个引擎的全部分数而不改变其内部顺序，也可能改变朴素融合的赢家。RRF放弃文档之间的分数距离，只使用位置。因此，只要候选和顺序不变，对每个引擎分数施加严格递增变换不会影响结果。代价是可能有用的距离也会丢失：巨大领先和微弱领先都只是第一名。

S(d)是文档d的融合分数，j遍历各列表，r_j(d)是d在列表j中的位置，k是非负无量纲常数。只对包含d的列表求和：在本协议中，缺失贡献零，而不是估计一个名次。分数没有物理单位，也不是相关概率。名次从1开始；若从0开始，分母会变化，k=0时甚至会除以零。

基础文献是Cormack、Clarke和Büttcher发表于SIGIR 2009的论文，第758–759页。我们阅读了公式、实验协议、表格和讨论，而非仅摘要。作者在先导研究后固定k=60，并在TREC和LETOR 3上比较融合。论文自身的表格也包含不支持绝对优越性的情况，包括CombMNZ结果。本文不复现那些实验、不使用其数据，也不把其性能移植到假想档案，而是用新输入研究规则行为。

五篇文档，逐项查看贡献

先取k=0，让计算直观。B在L1第二、L2第一，得到1/2+1=1.5。A第一和第五，得到1+1/5=1.2。C第三和第二，得到1/3+1/2=5/6，约0.833333。D得到1/4+1/3=7/12，E得到1/5+1/4=9/20。降序排列为B-A-C-D-E。B在两个列表中都靠前，胜过A单独的一次第一，但C仍落后于A。

保持其他条件不变，令k=60。B得到1/62+1/61=0.032522475，C得到1/63+1/62=0.032002048，A得到1/61+1/65=0.031778058。D和E随后，约为0.031498016和0.031009615。顺序变为B-C-A-D-E。没有文档或标签发生变化，改变的是把位置转换成贡献的函数。因此k属于实验协议，必须记录，不能视作不可见的实现细节。

阅读表格时应关注C与A，而不是分数绝对大小。从约1变为约0.03，并不表示文档相关性下降。两种尺度属于不同规则，分数只用于在同一规则下排序。即使固定k，增加列表也会提高分数，并可能改变顺序。因此“分数超过0.03就接受”这样的阈值，不能未经专门验证就在不同配置间迁移。

推导偏好反转的位置

不必只靠尝试参数，也能解释A与C的变化。用A的分数减去C的分数。k非负时所有分母均为正，因此差值符号只由通分后的分子决定。合并四个分数得到二次多项式。这样，敏感性成为可理解的案例性质，而非图形巧合。这不是推导普适最优k，而是找出两个特定排名组合的交叉点。

分子在1加或减根号12处为零，负根不在所选定义域内。当0≤k<4.4641时分子为正，A在C前；超过阈值后为负，C在A前。程序使用整数，k=4仍是前者，k=5变成后者。在精确阈值处两者并列，需要明确的平局规则。代码按标识打破平局，这保证确定性，但没有相关性含义。

第一名相对于第五名的贡献比为(k+5)/(k+1)：k=0时是5，k=60时约1.0656。k越大，相邻名次的贡献越接近。排名r远小于k时，1/(k+r)约为1/k−r/k²。出现在m个列表中的文档，其首项贡献约为m/k。这是渐近直觉，不是恒等式；它解释出现次数和列表深度为什么重要，程序仍始终使用完整分数。

截断列表会改变问题本身

真实系统很少返回全部文档。保持k=60，只取L1的A-B和L2的B-C。B保留两项贡献，分数不变；A丢失第五名贡献，只剩1/61；C丢失第三名贡献，只剩1/62。结果变成B-A-C。这不只是近似结果尾部，而是改变仍在候选集中的两个文档的偏好。“融合前两项”和融合完整列表是不同的操作算法。

缺失可能有两种不同含义：文档不在该检索器可访问的集合中，或者只是落在请求深度之外。这里的零不能区分二者，也不是“不相关”的判断。它避免编造未观察到的名次，却使结果依赖检索预算。比较配置时必须记录每个检索器请求多少结果、启用哪些过滤器，以及是否使用同一版本语料。

若相关文档在所有列表中都不存在，仅融合这些候选不可能找回它。这首先是召回问题，即候选中包含了多少相关文档，尚未涉及排序。本例截断后B和C都还在，所以损失来自位置，而不是相关文档召回。区分二者才能选择补救办法：覆盖不足时扩大候选；正确文档已经存在但排名过低时，调整融合或增加重排器。

四份副本不等于四份独立证据

保留完整列表，但加入四份L1和一份L2。这个刻意极端的设置，可以代表四种近乎相同的配置，或重复计算结果的集成错误。k=60时，A得到4/61+1/65=0.080958386，B得到4/62+1/61=0.080909572。A以微小但正的差值领先，顺序回到A-B-C-D-E。重复没有增加文档信息，只提高了已有偏好的权重。

计算RRF并不要求列表在统计上独立。问题是如何解释一致：五项贡献不等于五次独立验证。加权融合可以明确表达选择，例如给一个检索器家族分配总权重，而不是让每个变体都获得完整权重。本文不证明这种办法提高质量，只说明值得比较的替代策略。权重与家族划分不能在看到最终测试结果后投机选择，否则评估失去意义。

w_j是非负无量纲权重。加权版本在此仅供讨论，并非本文报告结果的系统。若四份副本完全相同，各赋1/4权重，就会精确恢复单份L1的总贡献，这是代数结论，不是对真实引擎的新实验。四个列表若不同，等价关系便不成立。有用的多样性不能按调用服务数计算，而应观察错误模式与新增文档。

衡量真正改善了什么

我们使用单个查询的平均精度AP。每遇到一个相关文档，就计算截至该位置的精度：已遇到的相关数除以已读取的位置数。把这些精度相加，再除以声明的相关文档总数，本例为2。缺失的相关文档贡献零。指标奖励有用文档较早出现，不衡量生成句子的正确性。明确分母可以避免列表丢失一个相关文档后反而被虚假奖励。

在B-C-A-D-E中，相关文档位于前两位，AP=(1+1)/2=1。在B-A-C-D-E中位于第1和第3，AP=(1+2/3)/2=5/6，约0.833333。重复L1让A登顶后，相关文档位于第2和第3，AP=(1/2+2/3)/2=7/12，约0.583333。合成标签始终不变。这不是助手可靠性百分比，而是一个构造查询的三种排序指标。

不可缺少的比较对象是原列表。L1的AP为7/12，L2本来就达到1。k=60的完整融合只追平L2，并未超过；k=0时甚至更差。若省略基线，就可能宣称“融合把精度从0.583提高到1”，这只有暗中选择有利的L1作为对照才成立。真实评估需要多个问题、可追溯判断以及查询间差异。单个案例证明机制与可能性，不证明平均优势。

实现很小，假设必须明确

fuse接收有序列表与非负整数k，使用Python标准库Fraction，为每个标识累加1/(k+r)，保留精确整数比。仅展示用JSON将结果转换成小数，同时保存分数字符串。按分数排序避免本小例中舍入决定近似平局。这不意味着所有服务都应使用有理数运算，大规模场景可能代价高，自己的数值实现仍需检验。

若总共读取M个位置，出现U个不同文档，用映射累加需要M次更新和O(U)存储。完整排序需要O(U log U)次比较。这是键操作与比较次数，不是延迟测量；分数运算成本还取决于整数长度。只需要前K项时可使用部分选择，但这里完整排序以便检查所有分数。我们没有运行速度基准。

experiment.py重建全部输入，检查列表内唯一性，断言预期顺序，并计算k从0到100的敏感性。输入是确定性的，随机种子不适用。下面代码调用附件中的同一组函数，不是规则不同的简化算法。重现表格只需Python，绘图需要Matplotlib；版本与输出均保存在档案中。这些数字并非通过训练或调用搜索引擎、生成模型获得。

如何把推理用于真实档案

实用评估应区分三个问题：在相同权限和语料版本下，候选是否包含必要文档？融合是否在上下文预算内提供它们，同时考虑片段长度与冗余？生成器是否正确使用证据？本文AP只覆盖第二问的一部分，假定文档地位可比。很长的文档可能先耗尽上下文，因此文档排序不等于token选择。

替代方案包括：归一化分数可保留距离信息，但引入可比性假设；重排器重新评估候选，却需要额外资源和自身评估协议；检索器家族加权明确处理冗余，但必须选择并验证权重。我们没有在同一问题集合上实现和测量这些方案，因此不给出性能结论。诚实比较应先说明各自利用什么信息、增加哪些成本或假设，再讨论质量高低。

答案：融合简单，选择并不中立

使用位置和RRF这样的规则，可以在不直接相加不兼容原始分数的情况下结合检索。但计算简单不意味着结果中立。本例中，参数在可证明阈值处改变偏好，请求深度改变贡献，重复一个检索器则在没有新增知识时改变赢家。执行过的最好融合只是追平原列表，数字中没有奇迹。可信检索需要保存列表来源、参数、候选和独立判断，之后还要单独核验生成器的断言。

Cormack, Clarke & Büttcher — Reciprocal Rank Fusion outperforms Condorcet and individual Rank Learning Methods, SIGIR 2009, pp.758–759, DOI 10.1145/1571941.1572114.

from experiment import fuse, ap, L1, L2
for name, lists, k in [('full', [L1,L2],60),('top2',[L1[:2],L2[:2]],60),('duplicates',[L1]*4+[L2],60)]:
    result = fuse(lists,k)
    print(name,result['order'],ap(result['order']))

代码、数据与说明 · JSON. 教学计算使用 Python 3.14.0，图使用 Matplotlib 3.11.2。分析由 AI 辅助，不声称经过同行评审或人工审核。原创 ImageGen 封面仅作示意，不记录 EL-AI 人员、场所或实际安装。来源查阅于 2026 年 10 月 16 日。