Глубину повторного ранжирования предлагают подбирать по запросу
В статье «Optimal Re-Ranking Depth», опубликованной в версии arXiv 4 ноября 2026 года и вошедшей в материалы SIGIR ’26, авторы предлагают не обрабатывать фиксированное число найденных документов одинаково для всех запросов. После первичного поиска система оценивает характеристики списка и выбирает, насколько глубоко применять более дорогой второй этап ранжирования. Источник: статья на arXiv.
Для поисковой системы это означает возможность остановить повторное ранжирование раньше для одних запросов и продолжить его глубже для других. Авторы рассматривают глубину повторного ранжирования как свойство конкретного запроса, а не как единственную настройку всей системы.
После некоторой глубины качество может перестать расти
Исследователи сообщают, что для многих запросов существует выраженная оптимальная глубина. После неё эффективность поиска перестаёт увеличиваться или снижается. Второй этап работает с документами, уже отобранными первичным поиском: дополнительные позиции могут не приносить полезных результатов, но продолжают требовать вычислений.
Авторы также сообщают, что большинство стандартных методов предсказания качества запроса оказалось неэффективным для выбора этой глубины. Поэтому правило вроде «всегда обрабатывать первые N документов» не учитывает различия между запросами.
IR-DCG@10 сократил среднюю глубину до трёх раз
Вместо стандартных методов авторы использовали предиктор IR-DCG@10, основанный на оценке качества первичного списка с помощью большой языковой модели. По их сообщению, он позволил сократить среднюю глубину повторного ранжирования максимум в три раза при сохранении общей эффективности. Результат зависел от конкретной пары первичного и второго ранжировщиков.
Это число описывает среднюю глубину повторного ранжирования, а не трёхкратное ускорение всей поисковой системы. Полное время ответа и стоимость инфраструктуры зависят также от первичного поиска, самого второго ранжировщика и накладных расходов на оценку запроса.
Эксперимент на MSMARCO DEV показывает компромисс
В отдельном эксперименте на коллекции MSMARCO DEV авторы использовали oracle selection — выбор оптимальной глубины по результатам самого эксперимента. В этом режиме эффективность поиска выросла более чем на 7%, а средняя глубина повторного ранжирования сократилась в пять раз относительно сравниваемого режима.
Оба результата опубликованы авторами статьи и относятся к конкретной коллекции и экспериментальной конфигурации. Oracle selection нельзя напрямую перенести в рабочую систему: для эксплуатации понадобится предиктор, который выбирает глубину до получения результата, а затем отдельная проверка качества, задержки и вычислительной стоимости на новых запросах.
Что результат меняет для поисковых систем
Работа ставит под сомнение необходимость одной фиксированной глубины второго этапа для всех запросов. Она показывает направление для настройки компромисса между качеством и вычислениями, но не устанавливает универсальное значение глубины. Перед внедрением потребуется проверить, не ухудшает ли предиктор результаты для редких и сложных запросов и сохраняется ли эффект вне MSMARCO DEV.
