在基于向量的搜索引擎中，重排（reranking）是提高搜索结果质量的一个步骤，它通过对初始候选匹配项重新排序来实现。当处理一个查询时，系统首先使用高效的向量相似性算法（如近似最近邻（ANN）搜索）检索一组近似匹配项。这一初始步骤优先考虑速度而非精度，以快速缩小潜在结果范围。然后，重排对这些顶级候选项应用更精确但计算开销更大的相似性计算，确保最终结果更好地匹配查询意图。例如，初始搜索可能使用带压缩向量的余弦相似度，而重排可以使用更高维度的向量或针对数据定制的不同相似度度量重新计算距离。
一个常见的例子是文本搜索：假设用户搜索“耐用的跑鞋”。初始的 ANN 搜索可能会返回向量与查询向量接近的产品，但某些结果可能只是沾边（例如，“登山靴”或“鞋油”）。在重排过程中，交叉编码器模型（一种评估文本序列对的神经网络）可能会分析查询和每个候选产品的描述，以计算相关性得分。这个模型可以检测细微的关系，例如“耐用”是否与产品的材质描述高度一致。重排还可以结合业务逻辑，例如提升评分较高的产品或过滤掉缺货商品，这些是初始向量搜索无法处理的。
从开发者的角度看，重排涉及权衡。重排模型（例如用于文本的 BERT 或用于图像的自定义度量）必须平衡准确性和延迟。例如，使用一个慢速模型对前 100 个结果进行重排可能会增加 100 毫秒的延迟，因此工程师通常将重排限制在前 20-50 个候选结果。像 FAISS 或 Annoy 这样的库处理初始的 ANN 搜索，而 Sentence-Transformers 或 PyTorch 等框架支持重排模型。通过分离检索和重排，系统可以在不压倒计算资源的情况下保持可扩展性——快速近似搜索用于广泛匹配，精确重排用于最终细化。这种两阶段方法在生产系统中被广泛采用，从电子商务搜索到推荐引擎。