En bref. La fusion par rang réciproque fusionne les listes de résultats en additionnant, pour chaque document, des contributions fondées sur son rang.
Définition : La fusion par rang réciproque (reciprocal rank fusion, RRF) réunit plusieurs listes de résultats de recherche ordonnées en un classement unique. Elle attribue à chaque document une contribution fondée sur sa position dans chaque liste, puis additionne ces contributions pour calculer un score de fusion.
Points clés
- En octobre 2026, la documentation de Microsoft sur RRF décrit la fusion des résultats de requêtes parallèles et situe le classement sémantique facultatif après cette fusion.
- La présentation de la recherche hybride de Microsoft décrit l’exécution en parallèle de la recherche en texte intégral et de la recherche vectorielle, avant que RRF ne fusionne leurs résultats.
- Le guide des requêtes hybrides de Microsoft distingue le paramètre
kde la requête vectorielle, qui détermine le nombre de candidats, du paramètretop, qui détermine le nombre de résultats renvoyés.
Comment le calcul fonctionne-t-il ?
Le rang désigne la position d’un document dans une liste de résultats ordonnée. L’article à l’origine de RRF définit une somme de contributions réciproques, avec une constante ajoutée à chaque rang au dénominateur. Ses auteurs utilisent k = 60 tout au long de leur validation.
La notation suivante exprime le calcul sans pondération décrit dans l’article et dans la documentation de Microsoft :
contribution = 1 / (rank + k)
fused_score = sum of contributions across lists containing the document
Un rang plus petit produit une contribution plus élevée. Un document présent dans plusieurs listes cumule les contributions de ces listes. L’article d’origine explique que le calcul combine les rangs indépendamment des scores arbitraires produits par les méthodes de classement en entrée.
Pourquoi combiner les résultats par mots-clés et les résultats vectoriels ?
La recherche en texte intégral trouve des correspondances entre les termes du texte. La recherche vectorielle compare des représentations numériques du contenu pour trouver des éléments similaires. La présentation de la recherche hybride de Microsoft donne les codes produits et les noms de personnes comme exemples où la correspondance exacte des mots-clés est utile ; la recherche vectorielle peut retrouver des informations proches sur le plan conceptuel sans correspondance entre les mots-clés.
RRF fournit un classement commun aux listes obtenues. Dans Azure AI Search, une requête hybride comprend search pour la requête textuelle et vectorQueries pour les requêtes vectorielles. Les deux s’exécutent sur l’index de recherche, et la réponse contient un ensemble unifié de résultats. La fusion se situe ainsi entre la récupération des candidats et l’éventuel classement sémantique qui suit.
Comment l’opérateur d’un moteur de recherche peut-il examiner le résultat ?
Le guide de Microsoft sur RRF décrit un paramètre de requête debug qui permet d’afficher les composantes du score. Son exemple comprend ce fragment de requête :
"debug": "vector"
Le même guide désigne @search.score comme le score du classement issu de la fusion et indique séparément le score du classement sémantique ultérieur dans @search.rerankerScore. Le classement sémantique réordonne les résultats récupérés à partir de leur contenu textuel.
Les instructions de Microsoft sur les requêtes décrivent aussi la vue JSON de Search Explorer pour soumettre des requêtes hybrides. Lors de l’examen d’une requête, le paramètre vectoriel k détermine le nombre de candidats vectoriels transmis à la fusion, tandis que top détermine le nombre de résultats fusionnés présents dans la réponse.
Termes associés
Questions fréquentes
RRF a-t-elle besoin des scores de pertinence d’origine ?
L’article d’origine décrit une fusion fondée sur les rangs, indépendamment des échelles de scores des systèmes en entrée. La position de chaque document détermine sa contribution au score de fusion.
Modifier le paramètre vectoriel k change-t-il la constante de RRF ?
La documentation de Microsoft sur RRF définit ces deux valeurs comme des grandeurs distinctes. Si vous modifiez le paramètre vectoriel k, vous changez le nombre de candidats parmi les plus proches voisins transmis à la fusion.
Où intervient le classement sémantique ?
La documentation de Microsoft sur RRF le situe après la fusion. Son champ distinct @search.rerankerScore indique le score de cette étape ultérieure.
Sources
- Microsoft, « Relevance scoring in hybrid search using Reciprocal Rank Fusion (RRF) », 8 juin 2026
- Microsoft, « Hybrid search using vectors and full-text search in Azure AI Search », 31 août 2026
- Microsoft, « Create a hybrid query in Azure AI Search », 6 août 2026
- Cormack, Clarke et Büttcher, « Reciprocal Rank Fusion outperforms Condorcet and individual Rank Learning Methods », 2009
Vérifiez comment une page se lit pour les moteurs de réponse. Ouvrir l’analyseur de score GEO