---
title: "重排序模型（Reranking）"
slug: reranking
language: zh-TW
source: https://aiterms.tw/terms/reranking
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 自然語言處理, 推薦系統, 模型評估, 神經網路, AI應用]
ipas_term: false
---

# 重排序模型（Reranking）

> **你搜尋資料時，是不是常先拿到一大串結果，然後才慢慢挑出最有用的那幾筆？**
>
> 你可以把重排序模型想成第二關的篩選員，先把可能相關的結果撈上來，再仔細排一次順序。
>
> 它重要是因為第一輪檢索講求快，第二輪重排序講求準，兩者一起用，搜尋和問答體驗會差很多。

### 容易混淆

> **重排序 vs 初步檢索**
>
> 重排序看的是更細的語意和上下文
> 初步檢索看的是速度和粗篩能力
> 最關鍵的區別是處理的是候選集還是全庫搜尋。
>
> **重排序 vs 向量檢索**
>
> 重排序通常用更重的模型重新打分
> 向量檢索是先用向量相似度找候選
> 最關鍵的區別是第一輪找人，第二輪排隊。
>

### 記住這句就好

> 先快篩，再精排，答案才會更準。

### 實際案例

> **客服知識庫搜尋**
> 使用者先被 BM25 找到 50 筆可能答案，再由重排序模型把真正能解決問題的內容排到最前面。
>
> **RAG 文件檢索**
> 問答系統先撈出候選段落，再用重排序挑出最相關的 5 段送進大模型。
>

### 算法與應用

> 常見做法是用 cross-encoder 直接看查詢與候選文件的整段內容，所以準，但比較慢。
> 評估時常看 NDCG、MRR 或 MAP，因為重排序在乎的是名次順序。
> 候選集品質很重要，因為重排序再強，也救不了第一輪完全沒撈到的資料。

### 情境判斷

> **Q1（直覺題）：如果系統先撈出 100 筆，再把前 10 筆重新排順序，這一步是什麼？**
>
> → 這就是重排序，因為它只在候選集上做更精細的排序。
>
> **Q2（判斷題）：候選資料很差，但重排序模型很強，最後結果一定會好嗎？**
>
> → 不一定。第一輪如果把真正相關的資料漏掉，第二輪再強也救不回來。
>

### 常見問題

> **Q：重排序模型需要很多資料嗎？**
> A：通常需要，尤其是深度學習版本，因為它要學的是細緻的相關性判斷。
>
> **Q：怎麼評估重排序效果？**
> A：常用 NDCG、MRR、MAP，也會看線上點擊率或轉換率。
>
> **Q：重排序和檢索一定要分兩層嗎？**
> A：大多數實作會這樣設計，因為速度和精準度很少能靠同一個模型同時做到最好。
>

### 相關術語

> - **稠密檢索模型**：它是重排序前最常見的候選來源之一。
> - **稀疏檢索**：先看這個，能更懂 BM25 這類方法。
> - **檢索增強生成**：它和重排序、檢索管線常綁在一起看。
> - **BM25算法**：它是經典的稀疏檢索基線。
> - **混合搜尋**：它常把稀疏檢索和向量檢索一起用。

---

來源：https://aiterms.tw/terms/reranking
快查頁：https://aiterms.tw/terms/reranking
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-reranking