Reranking: Poboljšanje relevantnosti
Na ovoj stranici
Ciljevi
- Razumjeti zašto reranking poboljšava rezultate
- Implementirati reranker koristeći cross-encoder
- Integrirati reranking u RAG pipeline
Problem bi-encodera
Sva pretraživanja koja si do sada izgradio/la oslanjaju se na bi-encoder: upit i dokumenti kodiraju se zasebno, sami za sebe, te se uspoređuju putem skalarnog umnoška. To je ono što pretraživanje čini trenutnim čak i kroz milijun isječaka, budući da su vektori korpusa izračunati jednom zauvijek. To je također razlog njegove nepreciznosti, jer model nikada ne vidi upit i dokument zajedno: mora sažeti svaki tekst u vektor ne znajući što će mu se kasnije tražiti.
Cross-encoder, koji se naziva i reranker, uzima par (upit, dokument) kao ulaz i proizvodi znatno precizniju ocjenu relevantnosti jer čita oba teksta zajedno i može detektirati da dokument raspravlja o temi, ali u suprotnom smislu. Ta dobit ima svoju cijenu: model mora obraditi svaki dokument pojedinačno, što onemogućuje njegovu primjenu na cijelom korpusu. Rješenje je koristiti ga tamo gdje je isplativo, na malom skupu kandidata koji su već ušli u uži izbor.
Odatle proizlazi dvostupanjski pipeline, gdje svaki model radi ono u čemu je najbolji: brzi sužava polje, a precizni donosi konačnu odluku.
Query → Bi-encoder → Top 50 Candidates → Cross-encoder → Top 5 Results
Reranking s Cohereom
Cohere izlaže visokoperformantni reranker putem API-ja, čime se izbjegava hostiranje modela. Sljedeća funkcija povezuje dva koraka: prvo dohvaća dvadeset kandidata putem vektorske sličnosti, zatim traži od rerank-v3.5 da zadrži samo pet. Obrati pažnju na polje index_original sačuvano u rezultatu: reranker vraća pozicije relativne u odnosu na popis kandidata, a to ćeš trebati za mapiranje natrag na stvarni dokument u svom korpusu.
import cohere
from openai import OpenAI
co = cohere.Client(api_key="your-cohere-key")
openai_client = OpenAI()
def search_and_rerank(
question: str,
documents: list[str],
embeddings_corpus,
k_retrieval: int = 20,
k_final: int = 5
) -> list[dict]:
"""Semantičko pretraživanje + reranking."""
# Korak 1: Brzo dohvaćanje (bi-encoder)
query_emb = openai_client.embeddings.create(
input=question,
model="text-embedding-3-large"
).data[0].embedding
import numpy as np
scores = embeddings_corpus @ np.array(query_emb)
top_indices = np.argsort(scores)[-k_retrieval:][::-1]
candidates = [documents[i] for i in top_indices]
# Korak 2: Reranking (cross-encoder)
rerank_response = co.rerank(
query=question,
documents=candidates,
top_n=k_final,
model="rerank-v3.5"
)
return [
{
"text": candidates[r.index],
"rerank_score": r.relevance_score,
"original_index": int(top_indices[r.index])
}
for r in rerank_response.results
]
Reranking s LLM-om
Ako ne želiš dodavati još jednog pružatelja usluga u svoju arhitekturu – zbog ugovornih razloga, lokalizacije podataka ili jednostavno naplate – LLM koji već koristiš može preuzeti tu ulogu. Pošalješ pitanje i dokument, zatražiš ocjenu od 0 do 10 i sortiraš rezultate. Postavljanje temperature na nulu i smanjenje max_tokens na pet osigurava deterministički i jeftin izlaz; blok try/except rješava slučajeve gdje model odgovori nečim drugim osim brojem.
from openai import OpenAI
client = OpenAI()
def llm_reranker(
question: str,
candidates: list[str],
k: int = 5
) -> list[dict]:
"""Koristi LLM za ocjenjivanje relevantnosti."""
scores = []
for i, doc in enumerate(candidates):
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"On a scale of 0 to 10, how relevant is this document "
f"for answering the question?\n\n"
f"Question: {question}\n\n"
f"Document: {doc}\n\n"
f"Respond only with a number between 0 and 10."
)
}],
temperature=0,
max_tokens=5
)
try:
score = float(response.choices[0].message.content.strip())
except ValueError:
score = 0.0
scores.append({"index": i, "text": doc, "score": score})
scores.sort(key=lambda x: x["score"], reverse=True)
return scores[:k]
Ova verzija košta jedan poziv po kandidatu, što znači dvadeset poziva i jednaku kumulativnu latenciju za jedno korisničko pitanje. U praksi je to neprihvatljivo u interaktivnom sučelju. Umjesto toga, tražimo od modela da rangira sve dokumente odjednom, prikazujući svakog kandidata skraćenog na 200 znakova i numeriranog, očekujući zauzvrat samo popis indeksa.
def llm_batch_reranker(
question: str,
candidates: list[str],
k: int = 5
) -> list[int]:
"""Reranking u jednom pozivu LLM-a."""
formatted_docs = "\n".join(
f"[{i}] {doc[:200]}" for i, doc in enumerate(candidates)
)
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"Rank these documents by relevance to the question. "
f"Return the indices of the {k} most relevant "
f"documents, separated by commas, from most to "
f"least relevant.\n\n"
f"Question: {question}\n\n"
f"Documents:\n{formatted_docs}\n\n"
f"Indices (e.g., 3,1,7,0,5):"
)
}],
temperature=0,
max_tokens=50
)
indices_str = response.choices[0].message.content.strip()
return [int(i.strip()) for i in indices_str.split(",")][:k]
Integracija u RAG Pipeline
U potpunom pipelineu, reranking se uklapa između dohvaćanja i generiranja bez mijenjanja bilo čega drugoga. Ključna točka u donjoj klasi je prag od 0,3 na relevance_score: on omogućuje vraćanje manje od pet konteksta kada nijedan kandidat nije doista relevantan, umjesto da se generatoru šalje šum. Često ovaj filter, više nego samo reranking, eliminira halucinirane odgovore.
class RAGPipelineWithReranking:
def __init__(self):
self.client = OpenAI()
self.co = cohere.Client()
def respond(self, question: str, chunks, embeddings_corpus):
# 1. Široko dohvaćanje
candidates = self.search(question, embeddings_corpus, k=20)
# 2. Reranking
candidate_docs = [chunks[i]["text"] for i in candidates]
reranked = self.co.rerank(
query=question,
documents=candidate_docs,
top_n=5,
model="rerank-v3.5"
)
# 3. Odabir najboljih
contexts = [
chunks[candidates[r.index]]
for r in reranked.results
if r.relevance_score > 0.3 # Prag relevantnosti
]
# 4. Generiranje odgovora
return self.generate(question, contexts)
Utjecaj rerankinga
| Metrika | Bez rerankinga | S rerankingom | Dobitak |
|---|---|---|---|
| Recall@5 | 0.72 | 0.72 | = |
| Precision@5 | 0.58 | 0.78 | +34% |
| MRR | 0.65 | 0.82 | +26% |
Ove brojke precizno govore što reranker radi. Recall se ne mijenja, što je logično: kandidati su isti, a cross-encoder ne može spasiti dokument koji bi-encoder nije ni izvukao. Međutim, preciznost i MRR značajno se poboljšavaju jer se ispravan dokument seli s šestog na prvo mjesto. Praktična posljedica: ako ti je recall loš, reranking te neće spasiti; prvo moraš proširiti dohvaćanje ili revidirati chunking.
Ključne točke
- Reranking ponovno rangira kandidate preciznijim modelom
- Tipičan pipeline: bi-encoder (top 20–50) → cross-encoder (top 5)
- Cohere rerank-v3.5 je gotovo rješenje
- LLM može poslužiti kao reranker ako želiš izbjeći dodatnu ovisnost
- Dobitak u preciznosti je značajan (obično 20–35%)