Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
Questa pagina descrive come il recupero e il ranking funzionano insieme per fornire risultati di ricerca pertinenti nelle app Vertex AI Search.
Panoramica
In breve, il recupero consiste nel trovare i documenti pertinenti, mentre il ranking
consiste nell'ordinare i documenti recuperati. Classificare tutti i documenti disponibili
può essere costoso dal punto di vista computazionale. Pertanto, il recupero e il ranking funzionano
in sequenza.
Innanzitutto, il modello di ricerca comprende la query e la riscrive.
A seconda delle origini dati disponibili e del numero di documenti indicizzati nel datastore, il modello recupera i documenti nell'ordine di migliaia. Ai documenti recuperati viene assegnato un punteggio di pertinenza.
Il modello di ranking ordina quindi i documenti recuperati
e mostra i primi 400 risultati classificati. L'immagine seguente mostra come
questi due processi si inseriscono nel flusso di lavoro di ricerca.
Figura 1. Recupero e ranking nel flusso di lavoro di ricerca
Metodi di recupero
Il recupero è il processo di selezione di un sottoinsieme di documenti dall'archivio dati
pertinenti alla query di un utente. Il modello Vertex AI Search gestisce il recupero per le tue app di ricerca in base a diversi indicatori, ad esempio i seguenti, e assegna punteggi di pertinenza:
Pertinenza: include la corrispondenza delle parole chiave, i knowledge graph e gli indicatori web.
Embedding: include gli embedding per trovare contenuti concettualmente simili.
Cross-attention: consente a un modello di considerare la relazione tra una query e un documento per assegnare un punteggio di pertinenza al documento.
Aggiornamento: consiste nel determinare l'età dei documenti nell'archivio dati.
Eventi utente: include gli indicatori di conversione utilizzati per la personalizzazione.
Il ranking prende i documenti selezionati durante la fase di recupero,
assegna loro un nuovo punteggio di pertinenza in base alle seguenti condizioni e
li riordina:
Incremento: promuove e declassa determinati risultati in base ad attributi personalizzati o
alla loro freschezza. Questo influisce sui primi 1000 documenti recuperati e classifica i primi 400.
Per saperne di più, vedi Migliorare i risultati di ricerca.
Ranking personalizzato: controlla, ottimizza e sostituisce la logica di ranking predefinita
con un algoritmo di ranking basato su formule per soddisfare i tuoi requisiti specifici.
Il punteggio di pertinenza assegnato dal ranking personalizzato ha la precedenza quando
vengono mostrati i risultati.
Per saperne di più, consulta
Personalizzare il ranking dei risultati di ricerca.
Ottimizzazione della ricerca: influisce sul modo in cui il modello percepisce la pertinenza semantica dei tuoi documenti e modifica i punteggi di pertinenza degli incorporamenti. Per saperne di più, consulta Migliorare i risultati di ricerca con l'ottimizzazione della ricerca.
Riassegnazione del ranking basata sugli eventi: aggiorna i risultati al momento della pubblicazione utilizzando
il modello di personalizzazione basato sugli eventi utente.
[[["Facile da capire","easyToUnderstand","thumb-up"],["Il problema è stato risolto","solvedMyProblem","thumb-up"],["Altra","otherUp","thumb-up"]],[["Difficile da capire","hardToUnderstand","thumb-down"],["Informazioni o codice di esempio errati","incorrectInformationOrSampleCode","thumb-down"],["Mancano le informazioni o gli esempi di cui ho bisogno","missingTheInformationSamplesINeed","thumb-down"],["Problema di traduzione","translationIssue","thumb-down"],["Altra","otherDown","thumb-down"]],["Ultimo aggiornamento 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."]]
