Rerank文章笔记

最新推荐文章于 2025-06-29 00:17:12 发布
最新推荐文章于 2025-06-29 00:17:12 发布
阅读量3.8k 收藏 2
点赞数
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/JeffChen2015/article/details/46480689
本文探讨了多种视觉搜索再排序（rerank）方法，包括使用点击数据、图像分类、SVM、BoW模型、稀疏性和排名约束以及语义签名。这些方法通过结合文本和视觉特征，改进了图像检索的准确性和效率，如使用PCA、Gaussian Process Regression、决策树、图模型和Rank SVM等技术。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1.       Learning to Re-Rank:Query-Dependent Image Re-Ranking Using Click Data

文章收集部分以往的点击次数，然后组合Query-independent static features、Textual features和Imagefeatures组成新的特征，使用PCA进行降维，再使用Gaussian  Process Regression 进行点击数预测，最后使用textual和visual feature 和初始排名进行加权组合相加，得到新的rank

 

2.       Real Time Google and LiveImage Search Re-ranking

选择一张图片，然后把图片归结到提前定义的一些类中，如General Object、Object with Simple Background、Scene and so on，然后在每一类中使用一系列的特称，使用决策树进行分类，，然后根据类别给各个分类器学一个权重，最后组合相加得到最后的rank.

 

3.       Asymmetric Bagging andRandom Subspace for Support Vector Machines-Based Relevance Feedback in ImageRetrieval

文章的主要思想在于使用SVM对标注信息进行分类，提出了ABSVM和ABRS-SVM分别解决了样本过少，正负样本不均匀及特征维度过高，导致过拟合的问题，06年的PAMI文章。

 

4.       Visual Rerank withimp

最低0.47元/天 解锁文章

200万优质内容无限畅学
JeffChen2015
关注
优化搜索结果：探索常用的重排（Re-ranking）技术
fudaihb的博客
04-03 2939
在当今信息爆炸的时代，搜索引擎扮演着连接用户和海量信息的桥梁角色，然而，仅仅返回一堆结果并不足以满足用户的需求。搜索结果的相关性直接影响着用户体验的好坏，而重排（Re-ranking）技术的出现为优化搜索结果提供了新的可能性。本文将探讨重排技术的重要性以及它如何帮助改进搜索结果的相关性和用户满意度。
【 书生·浦语大模型实战营】学习笔记（三）：“茴香豆” 搭建你的RAG 智能助理
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 1415
本篇笔记内容主要分为RAG理论介绍和“茴香豆” RAG 智能助理实战。前半部分对RAG流程、向量数据库、优化等展开介绍，后半部分实战任务分为以web页面及Internlm框架进行茴香豆实战，欢迎大家交流学习！
Re-Ranking
融
11-17 443
Re-Ranking
爆改RAG！让你的AI检索像“高考阅卷老师”一样严谨——Reranking重排技术全解析
最新发布
许泽宇的技术分享
06-29 708
《RAG重排技术：让AI像高考阅卷一样精准筛选知识》 本文深入探讨了RAG（检索增强生成）系统中的重排技术（Reranking），揭示了如何通过多步骤优化提升AI回答质量。文章首先指出简单"检索+生成"模式的不足，提出重排技术作为关键解决方案。 核心内容包含： 重排四步曲：初步检索→文档打分→重新排序→精华提取，形成类似高考阅卷的严格筛选流程 完整技术实现方案：从PDF文本提取、分块处理到向量化存储，构建完整的知识处理管道 两种重排方法对比：LLM大模型重排（高精度但成本高）和关键词重排
Advanced RAG 04：重排序（Re-ranking）技术探讨
Baihai_IDP的博客
04-20 2133
本文介绍了两种主要的 Re-ranking 方法，并演示了如何将其融入到 RAG 系统中，提高系统性能。分别是：(1) 使用 Re-ranking 模型直接对检索到的文档和 query 之间的相关性进行评分和排序。作者介绍了一些可用的开源和商业 Re-ranking 模型；(2) 利用大语言模型（LLM）对文档和 query 进行深入理解，通过对相关性程度进行排序来实现 Re-ranking 。文中介绍了 RankGPT 这种基于 LLM 的 Re-ranking 方法。
RAG 04：重排序（Re-ranking）技术探讨
DEVELOPERAA的博客
05-14 1万+
重排序（Re-ranking）技术在检索增强生成（Retrieval Augmented Generation，RAG）全流程中起着至关重要的作用。在最原始的 RAG 方法中，可能会检索到大量的上下文，但并非所有上下文都与问题相关。
论文Re-ranking Person Re-identification with k-reciprocal Encoding(person re-id的re-ranking)
weixin_41977938的博客
11-12 2379
1.基础数学知识 欧氏距离： 余弦距离： 马氏距离： （1）方差： （2）协方差 协方差：标准差与方差是描述一维数据的，当存在多维数据时，我们通常需要知道每个维数的变量中间是否存在关联。协方差就是衡量多维数据集中，变量之间相关性的统计量。比如一个人身高和体重的关系：如果两个变量之间的协方差为正值，则这两个变量之间存在正相关，即你变大，同时我也变大。 例子：X,Y反向运动 （2）协方差矩阵： X为是以 n个随机变数组成的列向量： ...
从《红楼梦》的视角看大模型知识库 RAG 服务的 Rerank 调优
易迟的专栏
05-25 3557
在之前的文章有道 QAnything 源码解读中介绍了有道 RAG 的一个主要亮点在于对 Rerank 机制的重视。从目前来看，Rerank 确实逐渐成为 RAG 的一个重要模块，在这篇文章中就希望能讲清楚为什么 RAG 服务需要 Rerank 机制，以及如何选择最合适的 Rerank 模型。最终以完整的《红楼梦》知识库进行实践。至于为什么要用红楼梦，答案就是作为读了很多遍《红楼梦》的忠实粉丝，问题的答案是不是靠谱一眼就能判断，问题相关的片段也能快速定位，就像定位 bug 一样快。
RAGFlow 学习笔记
engchina的专栏
06-08 8625
RAGFlow 学习笔记
【AI大模型应用学习笔记】RAG-Embedding-Vector知识点学习
etrospect的博客
05-10 661
关于RAG-Embedding-Vector知识点，以及RAG实现的基本流程实操记录
Reranking 论文笔记
ArtoriaYe的博客
12-23 698
Reranking论文笔记Reranking论文笔记第一章 Abstract第二章 Related Work第三章 Proposed Aproach一、Problem Definition二、K-reciprocal Nearest NeighborsJaccard DistanceLocal Query ExpansionFinal DistanceComplexity Analysis Rer...
Solr reRank简介
12-12
Solr reRank简介，用于描述solr二次排序的规则，Solr reRank简介，用于描述solr二次排序的规则
行人重识别之重排序(re-ranking)
热门推荐
年轻即出发，
08-09 2万+
行人重识别简称Re-identification，目前研究这个方向的大神主要有，UTS的郑良，郑哲东，CUHK的xiaotong等。 这里想分析下，2017年的cvpr, Re-ranking Person Re-identification with k-reciprocalEncoding，文章主要提出了基于k阶导数编码的方式，对需要检测的gallery中的图片进行重排序，使得识别结果有所提
LLM - 重排序（Rerank）
小工匠
03-22 2847
重排序模型虽然速度较慢，但其在精准度上的优势使其成为现代检索系统中不可或缺的一环。通过两阶段检索策略，我们可以在第一阶段快速召回候选文档，然后在第二阶段通过重排序模型进行精细排序，这种策略在处理复杂的问答任务和生成任务时尤为重要，因为它能够确保最终返回的文档不仅数量适中，而且相关性更高,从而在效率与精准度之间找到最佳平衡。
怎么解决大模型知识库的检索问题，RAG检索增强之——ReRank(重新排序)
Code1994的博客
12-10 3120
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
为什么 RAG 一定需要 Rerank？
python12345_的博客
03-20 738
尽管 Rerank 模型的运行速度较慢，但其在准确性上的优势使其在许多场景中不可或缺。通过两阶段检索系统，我们可以在第一阶段快速筛选出候选文档，然后在第二阶段通过 Rerank 模型进行精细排序，从而在保证效率的同时，显著提升检索结果的质量。这种策略在处理复杂的问答任务和生成任务时尤为重要，因为它能够确保最终返回的文档不仅数量适中，而且相关性更高。
深入浅出：理解RAG中的Re-Ranking机制
fudaihb的博客
04-03 8675
Re-Ranking机制作为RAG模型中的一个关键环节，起着至关重要的作用。它在检索完成后对候选文档进行再排序，从而提高了最终生成结果的质量和相关性。本文旨在深入探讨RAG模型中Re-Ranking机制的原理、方法和应用，以便读者更好地理解这一重要组成部分，并能够在实际应用中灵活运用。
排序(rank)后重排(re-rank)?
炼丹笔记
03-20 1895
说起排序，对排序的认知还停留在召回阶段召回的item经过粗排过滤，剩下较少的item在精排中打分，按epcm或者其他策略挑选出最终要曝光的item。精排模型往往都是point-wise的，一个DNN加丰富的用户/item/上下文特征预估点击率。自从看了阿里这篇 《Revisit Recommender System in the Permutation Prospective》，了解到了排序完可以...
【RAG实践】Rerank，让大模型 RAG 更近一步
2301_78285120的博客
04-09 4655
近几年, 随着深度学习的发展，尤其是预训练语言模型的出现极大的推动了文本表示技术的效果, 基于预训练语言模型的文本表示模型在学术研究数据、工业实际应用中都明显优于传统的基于统计模型或者浅层神经网络的文本表示模型。本文主要关注在Rerank，本文中，Rerank可以在不牺牲准确性的情况下加速LLM的查询（实际上可能提高准确率），Rerank通过从上下文中删除不相关的节点，重新排序相关节点来实现这一点。加载数据后，基于文档对象列表（或节点列表），建设他们的index，就可以方便的检索他们。
C语言系统学习笔记全集
首先，C语言笔记全整理中的笔记内容一般会包括以下几个重要的知识点： 1. C语言基础语法：笔记会详细介绍C语言的基本语法规则，包括数据类型（如int、float、char等）、变量声明、常量定义、基本运算符（如赋值...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值