En bref. Le reclassement des résultats de recherche ordonne les passages trouvés selon leur pertinence par rapport à une requête avant de transmettre les passages sélectionnés à un modèle de langage.

Définition : Le reclassement des résultats de recherche (reranking) attribue aux passages déjà renvoyés par un système de recherche un score de pertinence par rapport à une requête, puis les réordonne selon ce score. Dans la génération augmentée par la recherche (RAG), un procédé qui fournit à un modèle de langage des contenus issus d’une recherche, le reclassement aide à sélectionner les passages transmis au modèle avant la rédaction d’une réponse.

Points clés

Les détails de mise en œuvre ci-dessous reflètent la documentation consultée le 17 octobre 2026.

La présentation de Rerank de Cohere décrit le classement des documents fournis par ordre décroissant de pertinence sémantique par rapport à une requête.
Le guide de recherche et de reclassement de Sentence Transformers distingue la recherche de candidats de leur traitement ultérieur par un encodeur croisé (cross-encoder), un modèle qui traite ensemble une requête et un texte candidat pour en évaluer la pertinence.
La documentation de référence de l’API Rerank de Cohere propose le paramètre top_n pour limiter le nombre de résultats renvoyés.
La documentation du classeur sémantique de Microsoft décrit le reclassement d’un ensemble de résultats existant ; seuls les 50 premiers résultats passent à l’étape du classement sémantique.

Quelle différence entre recherche et reclassement ?

La recherche constitue l’ensemble des candidats. Le reclassement réévalue ces candidats par rapport à la question. Le guide du pipeline de Sentence Transformers permet à l’étape de recherche d’utiliser la recherche lexicale, qui repère les mots de la requête, ou la recherche dense, qui compare des représentations numériques du sens.

Son encodeur croisé traite ensuite chaque requête avec le document candidat. Ce traitement conjoint produit un score de pertinence qui sert à ordonner les candidats. Le guide explique la raison de l’étape de recherche initiale : attribuer un score à chaque paire requête-document dans une vaste collection de documents est lent. Un ensemble de candidats plus restreint rend cette évaluation ultérieure praticable.

Les étapes dépendent donc les unes des autres. Un passage exclu de l’ensemble des candidats reste en dehors de cette opération de reclassement, comme le précise la documentation du classeur sémantique de Microsoft pour sa mise en œuvre.

Où intervient le reclassement avant la production d’une réponse ?

La présentation du RAG de Microsoft décrit le classement sémantique comme facultatif dans son schéma classique de génération augmentée par la recherche. Dans ce schéma, le code de l’application transmet les résultats de recherche à un modèle de langage, qui formule une réponse à partir de ces résultats. Le schéma suivant montre la séquence lorsque le reclassement est inclus :

Requête + passages issus de la recherche
    -> Le modèle de reclassement évalue et ordonne les passages candidats
    -> L’application sélectionne les passages qui constituent le contexte de la réponse
    -> Le modèle de langage produit une réponse à partir de ce contexte

La documentation de référence de l’API de Cohere décrit des paramètres de contrôle pour l’étape de sélection : top_n limite le nombre de résultats renvoyés, tandis que max_tokens_per_doc limite par troncature la quantité de texte traitée par document. Ces réglages déterminent la quantité de contenu conservée pour les traitements ultérieurs. L’examen d’une mise en œuvre porte donc à la fois sur les passages candidats et sur le texte effectivement fourni au modèle de reclassement.

Comment une équipe chargée d’un site web peut-elle évaluer les résultats ?

Les bonnes pratiques de Cohere décrivent des scores qui dépendent de la requête. La procédure de définition d’un seuil utilise des requêtes représentatives associées à des documents jugés à la limite de la pertinence, puis prend leur score moyen comme référence pour le filtrage. L’évaluation est ainsi adaptée aux questions visées et à la collection de documents.

Pour la préparation du contenu, la documentation du classeur sémantique de Microsoft indique que les textes rédigés riches en informations constituent des données d’entrée adaptées, notamment les bases de connaissances et la documentation en ligne. Pour une équipe chargée d’un site web, cela justifie l’examen du passage qui contient effectivement une réponse lors de l’évaluation des résultats de recherche. L’unité évaluée dans la documentation est le texte fourni, rapporté à une requête.

Termes associés

Questions fréquentes

Pouvez-vous reclasser les résultats d’une recherche par mots-clés ?

Oui. Le guide de Sentence Transformers prévoit explicitement qu’une recherche lexicale puisse fournir les candidats à son modèle de reclassement par encodeur croisé.

Le reclassement peut-il récupérer un passage absent des candidats ?

La documentation du classeur sémantique de Microsoft limite cette opération aux résultats de recherche existants. Si un passage nécessaire manque, l’étape de recherche doit être examinée.

Comment pouvez-vous choisir un seuil de pertinence ?

Les bonnes pratiques de Cohere recommandent de tester des requêtes représentatives avec des documents jugés à la limite de la pertinence pour l’usage prévu. Leurs scores fournissent une référence pour choisir un seuil de filtrage.

Sources

Vérifiez comment une page se lit pour les moteurs de réponse. Ouvrir l’analyseur de score GEO

Reclassement des résultats de recherche