Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Halaman ini menjelaskan cara kerja pengambilan dan pemberian peringkat bersama-sama untuk memberikan hasil penelusuran yang relevan di aplikasi Vertex AI Search.
Ringkasan
Singkatnya, pengambilan adalah menemukan dokumen yang relevan, sedangkan peringkat adalah mengurutkan dokumen yang diambil tersebut. Peringkatan semua dokumen yang tersedia
dapat memerlukan banyak komputasi. Oleh karena itu, pengambilan dan pemberian peringkat dilakukan secara berurutan.
Pertama, model penelusuran memahami kueri dan menuliskannya ulang.
Kemudian, bergantung pada sumber data yang tersedia dan jumlah dokumen yang diindeks di penyimpanan data Anda, model mengambil dokumen dalam urutan ribuan. Skor relevansi ditetapkan ke dokumen yang diambil.
Model peringkat kemudian mengurutkan dokumen yang diambil
dan menampilkan 400 hasil peringkat teratas. Gambar berikut menunjukkan cara kedua proses ini sesuai dengan alur kerja penelusuran.
Gambar 1. Pengambilan dan penentuan peringkat dalam alur kerja penelusuran
Metode pengambilan
Pengambilan adalah proses memilih subset dokumen dari penyimpanan data Anda yang relevan dengan kueri pengguna. Model Vertex AI Search
mengelola pengambilan untuk aplikasi penelusuran Anda berdasarkan berbagai sinyal, seperti
berikut, dan menetapkan skor relevansi:
Topikalitas: Mencakup pencocokan kata kunci, pustaka pengetahuan, dan sinyal web.
Embedding: Mencakup embedding untuk menemukan konten yang secara konseptual serupa.
Perhatian silang: Memungkinkan model mempertimbangkan hubungan antara kueri dan dokumen untuk menetapkan skor relevansi ke dokumen.
Keaktualan: Melibatkan penentuan usia dokumen dalam penyimpanan data.
Peristiwa pengguna: Mencakup sinyal konversi yang digunakan untuk personalisasi.
Peringkatan mengambil dokumen yang dipilih selama fase pengambilan, menetapkan skor relevansi baru untuk dokumen tersebut sesuai dengan kondisi berikut, dan mengurutkannya ulang:
Meningkatkan: Mempromosikan dan menurunkan hasil tertentu menurut atribut kustom atau
keaktualan. Hal ini memengaruhi 1.000 dokumen pertama yang diambil dan memberi peringkat 400 teratas.
Untuk mengetahui informasi selengkapnya, lihat Meningkatkan hasil penelusuran.
Peringkat kustom: Mengontrol, menyesuaikan, dan mengganti logika peringkat default dengan algoritma peringkat berbasis formula agar sesuai dengan persyaratan spesifik Anda.
Skor relevansi yang ditetapkan oleh peringkat kustom lebih diutamakan saat
menayangkan hasil.
Untuk mengetahui informasi selengkapnya, lihat
Menyesuaikan peringkat hasil penelusuran.
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Sulit dipahami","hardToUnderstand","thumb-down"],["Informasi atau kode contoh salah","incorrectInformationOrSampleCode","thumb-down"],["Informasi/contoh yang saya butuhkan tidak ada","missingTheInformationSamplesINeed","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],["Terakhir diperbarui pada 2025-09-05 UTC."],[],[],null,["# About retrieval and ranking\n\nThis page describes how retrieval and ranking work together to deliver relevant\nsearch results in Vertex AI Search apps.\n\nOverview\n--------\n\nIn short, retrieval is finding relevant documents, while ranking is\nordering those retrieved documents. Ranking all the available documents\ncan be computationally expensive. Therefore, retrieval and ranking work\nsequentially.\n\nFirst, the search model understands the query and rewrites it.\nThen, depending on the data sources available and the number of indexed\ndocuments in your data store, the model\nretrieves documents in the order of thousands. A relevance score is assigned to\nthe retrieved documents.\n\nThe ranking model then orders the retrieved documents\nand serves the top 400 ranked results. The following image shows how\nthese two processes fit into the search workflow.\n**Figure 1.** Retrieval and ranking in search workflow\n\n### Retrieval methods\n\nRetrieval is the process of selecting a subset of documents from your data store\nthat are relevant to a user's query. Vertex AI Search model\nmanages retrieval for your search apps based on different signals, such as the\nfollowing, and assigns relevance scores:\n\n- **Topicality**: Includes keyword matching, knowledge graphs, and web signals.\n\n- **Embeddings**: Includes embeddings to find conceptually similar content.\n\n- **Cross-attention**: Allows a model to consider the relationship between a\n query and a document to assign a relevance score to the document.\n\n- **Freshness**: Involves ascertaining the age of the documents in the data\n store.\n\n- **User events**: Includes conversion signals used for personalization.\n\nAdditionally, in a search request, you can supply\n[relevance filters](/generative-ai-app-builder/docs/filter-by-relevance) and\nmetadata filters for [website data](/generative-ai-app-builder/docs/filter-website-search)\nand [structured or unstructured data](/generative-ai-app-builder/docs/filter-search-metadata) to\nnarrow down the list of relevant documents.\n\n### Ranking methods\n\nRanking takes the documents that are selected during the retrieval phase,\nassigns them a new relevance score according to the following conditions, and\nreorders them:\n\n- **Boost** : Promotes and demotes certain results according to custom attributes or freshness. This impacts the first 1,000 retrieved documents and ranks the top 400. For more information, see [Boost search results](/generative-ai-app-builder/docs/boost-search-results).\n- **Custom ranking** : Controls, tunes, and overrides the default ranking logic with a formula-based ranking algorithm to suit your specific requirements. The relevance score that custom ranking assigns takes a precedence when serving the results. For more information, see [Customize search results ranking](/generative-ai-app-builder/docs/custom-ranking).\n- **Search tuning** : Impacts how the model perceives the semantic relevance of your documents and changes the embedding relevance scores. For more information, see [Improve search results with search tuning](/generative-ai-app-builder/docs/search-tuning).\n- **Event-based reranking**: Updates the results at the time of serving using user-events-based personalization model."]]
