LlamaIndex 通过将语义相关性与结构化数据组织相结合来对搜索结果进行排序和优先排序。当您使用 LlamaIndex 查询数据集时，它首先将查询和您的数据转换为称为嵌入的数字表示。 这些嵌入捕获了文本的含义，从而使系统可以比较您的查询与数据集的不同部分之间的匹配程度。 例如，如果您搜索“机器学习技术”，如果文档的嵌入在数学上更接近查询的嵌入，LlamaIndex 会将文档排名更高，使用余弦相似度等指标。 这可确保结果在语义上与搜索意图一致，即使确切的关键字不匹配。
优先级还取决于您配置的索引类型。 LlamaIndex 支持多种索引结构，例如列表索引、树索引和关键字表，每种结构对排序的影响都不同。 列表索引按顺序扫描所有节点，仅根据嵌入相似性进行优先级排序。 但是，树索引以分层方式组织数据，从而可以在搜索的早期阶段更快地遍历和过滤不相关的分支。 例如，在搜索“Python 库”时，树索引可能会首先消除有关“硬件”的节点，从而在进行精细排名之前缩小范围。 关键字表通过将术语映射到文档来添加另一层，从而允许混合方法，其中精确的关键字匹配会提高文档的优先级以及语义相关性。
最后，LlamaIndex 允许进行后处理步骤以优化排名。 在检索到初始结果后，您可以应用过滤器（例如，日期范围）或使用交叉编码器模型重新排名，这些模型可以更深入地评估查询-文档对。 例如，检索可能首先使用嵌入获取 20 个文档，然后像 Cohere 的 reranker 这样的交叉编码器模型可以根据细微的上下文对齐方式重新排序它们。 开发人员还可以通过修改分数的计算方式来自定义排名逻辑，例如在时间敏感型应用中优先考虑最新数据。 这种灵活性使您可以平衡速度、准确性和特定领域的需求，从而确保系统适应技术文档搜索或实时分析等用例。