RAG检索系统的两大核心利器——Embedding模型和Rerank模型
在RAG系统中，有两个非常重要的模型一个是Embedding模型，另一个则是Rerank模型；这两个模型在RAG中扮演着重要角色。
Embedding模型的作用是把数据向量化，通过降维的方式，使得可以通过欧式距离，余弦函数等计算向量之间的相似度，以此来进行相似度检索。
而Rerank的作用是在Embedding检索的基础之上，进行更加准确的数据筛选；如果说Embedding模型进行的是一维筛选，那么Rerank模型就是从多个维度进行筛选。
Embedding模型和Rerank模型
在自然语言处理和信息检索系统中，Embedding模型和Rerank模型是两类功能不同但常结合使用的技术。
Embedding和Rerank模型都是基于深度学习方式实现的神经网络模型，但由于其功能不同，因此其实现方式和训练方法也有一定的区别。
从使用的角度来看，Embedding一般用于数据向量化并快速检索，而Rerank模型是在快速检索的基础之上进行重排序，提升相似度。
但从技术实现的角度来说，两种模型使用的学习方式和架构是不一样的；原因就在于两个模型的实现目的和处理数据的方式。
它们的核心区别在于目标、应用阶段和技术实现。以下是详细对比：
1. 功能目标
| 维度 | Embedding模型 | Rerank模型 |
|---|---|---|
| 核心任务 | 将文本转化为低维向量，捕捉语义信息 | 对候选结果重新排序，提升相关性 |
| 输出形式 | 高维或低维向量（如768维向量） | 候选列表的排序分数（如相关性得分） |
| 关注点 | 文本的全局语义表示 | 候选结果与查询的细粒度匹配 |
示例
-
Embedding模型：将“如何训练神经网络？”转换为向量，用于检索相似问题。
-
Rerank模型：对初步检索的100个答案排序，将最相关的答案排到前3。
2. 应用阶段
| 维度 | Embedding模型 | Rerank模型 |
|---|---|---|
| 所处流程 | 检索阶段 ：快速生成候选集 | 精排阶段 ：优化候选集的顺序 |
| 数据规模 | 处理海量数据（如百万级文档） | 处理小规模候选集（如Top 100~1000） |
| 性能要求 | 要求高效（毫秒级响应） | 可接受较高延迟（需复杂计算） |
典型场景
-
Embedding模型：用于搜索引擎的初步召回（如从10亿文档中筛选出Top 1000）。
-
Rerank模型：在推荐系统中对Top 100结果精细化排序，提升点击率。
3. 技术实现
| 维度 | Embedding模型 | Rerank模型 |
|---|---|---|
| 模型类型 | 无监督/自监督学习（如BERT、Sentence-BERT） | 有监督学习（如Pairwise Ranking、ListNet） |
| 输入输出 | 单文本输入 → 固定维度向量 | 查询+候选文本对 → 相关性分数 |
| 特征依赖 | 仅依赖文本本身的语义信息 | 可融合多特征（语义、点击率、时效性等） |
模型举例
-
Embedding模型：
-
通用语义编码：BERT、RoBERTa
-
专用场景：DPR（Dense Passage Retrieval）
-
-
Rerank模型：
-
传统方法：BM25 + 特征工程
-
深度模型：ColBERT、Cross-Encoder
-