神经重排序器是搜索系统中的组件，它使用神经网络模型来优化初始搜索结果。它们位于初始检索阶段（使用快速、轻量级的方法，如关键字匹配）和呈现给用户的最终结果之间。 它们的主要作用是重新排列初始检索的顶级候选结果，通过分析查询和文档之间更深层次的语义关系。 与依赖于表面特征（例如，词频）的传统排序方法不同，神经重排序器利用 BERT 或基于 Transformer 的架构等模型来评估上下文相关性，从而能够优先考虑更好地匹配用户意图的结果，即使关键字没有直接对齐。
神经重排序器的工作原理是通过神经网络处理查询和文档对，以生成相关性分数。 例如，搜索“最适合学生的经济型笔记本电脑”最初可能会检索到包含“经济型”、“笔记本电脑”和“学生”的文档。 然后，重排序器可以分析上下文：文档是否讨论了可负担性、便携性和学术用途，或者它仅仅重复关键字？ 像交叉编码器这样的模型在这里表现出色，它们共同处理查询和文档文本，通过捕捉细微差别，如同义词（“便宜”与“经济型”）或隐含要求（例如，学生使用的耐用性）。 这种两阶段方法平衡了效率（快速初始检索）和准确性（对较小子集的更深入分析），使其适用于延迟很重要的现实系统。
神经重排序器通过解决传统方法的关键限制来提高搜索质量。 首先，它们处理语义不匹配。 例如，除非重排序器识别到语义链接，否则查询“减轻压力的方法”可能会错过使用“减少焦虑”的文章。 其次，它们适应特定领域的语言。 电子商务平台可以根据产品数据微调重排序器，以优先考虑“无线耳机”而不是“蓝牙耳塞”，如果查询使用口语术语。 第三，它们通过将结果与人类对相关性的判断对齐来提高诸如 NDCG（归一化折损累计增益）之类的指标。 虽然计算量比更简单的算法更大，但重排序器通常应用于有限数量的顶级候选结果（例如，100 个文档），从而确保可扩展性。 这种更深入的理解和实际实施相结合，使其成为增强搜索准确性的强大工具。