手写 RRF，先补齐重复 ID、Top-K=0 和并列排序

RRF的公式很短同一文档在每路结果中的贡献为1/(crank)再把贡献相加。实现却可能在三个地方出问题重复文档重复加分、Top-K等于零访问空堆、同分结果随map遍历顺序变化。Elasticsearch文档把rank_constant默认值列为60并定义rank_window_size。默认值不是所有数据的最优值。尤其不要把返回数量k和公式里的平滑常数c用同一个变量名。概念示意图非控制台截图、跑分或真实事件记录。先用全排序写一个可检查的版本这里定义每路结果是唯一文档排名重复ID先保留首次出现再重新连续编号。另一种协议可以保留原始名次但必须说明不能由循环偶然决定。为避免浮点同分比较受加法次序干扰教学实现使用Fraction精确有理数。from collections import defaultdict from fractions import Fraction def fuse(channels, top_k, rank_constant60): if top_k 0 or rank_constant 1: raise ValueError(invalid top_k/rank_constant) if top_k 0: return [] scores defaultdict(Fraction) for hits in channels: unique list(dict.fromkeys(hits)) for rank, doc_id in enumerate(unique, 1): scores[doc_id] Fraction(1, rank_constant rank) return sorted(scores.items(), keylambda pair: (-pair[1], pair[0]))[:top_k] assert fuse([[A]], 0) [] assert fuse([[A,A,B]], 2) fuse([[A,B]], 2) assert [x[0] for x in fuse([[A,B],[B,A]], 2)] [A,B] assert fuse([], 10) [] assert fuse([[],[A]], 1)[0][0] A try: fuse([[A]], -1) except ValueError: pass else: raise AssertionError(negative top_k accepted) print(PASS zero/negative K, deduplication, ties, empty channels)这个版本的用途是参考答案不是极限吞吐实现。D个候选全排序约O(D log D)Fraction也有额外开销。以后换成浮点、堆和对象池时先让新实现与它在约定容差和排序协议下对齐再谈分配次数。一条重复ID到底算几票若一路返回A、A、B不去重就会让同一路给A投两票。它不等于A被两个独立检索器召回。上面的定义将它变成A、B若后端按chunk返回两个chunk是否归并到同一document也要先定义。同分排序同样是产品契约。例子中两路是A、B与B、A贡献完全对称。按文档ID升序打破平局才能让重复请求、分页和回归测试得到稳定顺序。生产ID未必是字符串比较规则要在各语言中一致。候选窗口之外融合器没有魔法RRF只能给已经召回的候选排序。某文档在各路都被窗口截掉后面调整c也找不回来。官方文档还要求关注分页时固定rank_window_size否则可见候选集合变化会改变排序。本地运行已覆盖零/负Top-K、去重、对称同分、空通道和单路结果。没有接入搜索后端没有测NDCG或网络时延。封面沿用的k60只是示意参数图上的机制图也不代表一次相关性评测内图展示本次实际核对的三个边界。比起“高性能融合引擎”先做到同一输入给同一答案比较好交差。本文的本地检查仅覆盖明确列出的合成示例外部研究与产品文档不作为本人性能实测。复现命令将完整Python块保存为 rrf_demo.py运行 python3 rrf_demo.py本轮使用Python 3.9.6。