Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Nesta página, descrevemos como a recuperação e a classificação trabalham juntas para oferecer resultados de pesquisa relevantes em apps da Vertex AI para Pesquisa.
Visão geral
Em resumo, a recuperação é encontrar documentos relevantes, enquanto a classificação é ordenar esses documentos recuperados. Classificar todos os documentos disponíveis pode ser caro do ponto de vista computacional. Portanto, a recuperação e a classificação funcionam
em sequência.
Primeiro, o modelo de pesquisa entende e reescreve a consulta.
Em seguida, dependendo das fontes de dados disponíveis e do número de documentos indexados no seu repositório de dados, o modelo recupera milhares de documentos. Uma pontuação de relevância é atribuída aos documentos recuperados.
Em seguida, o modelo de classificação ordena os documentos recuperados e apresenta os 400 principais resultados classificados. A imagem a seguir mostra como esses dois processos se encaixam no fluxo de trabalho de pesquisa.
Figura 1. Recuperação e classificação no fluxo de trabalho de pesquisa
Métodos de recuperação
A recuperação é o processo de selecionar um subconjunto de documentos do seu repositório de dados
que são relevantes para a consulta de um usuário. O modelo da Vertex AI para Pesquisa gerencia a recuperação dos seus apps de pesquisa com base em diferentes indicadores, como os seguintes, e atribui pontuações de relevância:
Relevância do tema: inclui correspondência de palavra-chave, mapas de informações e indicadores da Web.
Embeddings: inclui embeddings para encontrar conteúdo conceitualmente semelhante.
Atenção cruzada: permite que um modelo considere a relação entre uma consulta e um documento para atribuir uma pontuação de relevância a ele.
Atualização: envolve determinar a idade dos documentos no repositório de dados.
Eventos do usuário: incluem indicadores de conversão usados para personalização.
O ranking usa os documentos selecionados durante a fase de recuperação,
atribui a eles uma nova pontuação de relevância de acordo com as seguintes condições e
reordena-os:
Intensificar: promove e rebaixa determinados resultados de acordo com atributos personalizados ou
atualidade. Isso afeta os primeiros 1.000 documentos recuperados e classifica os 400 principais.
Para mais informações, consulte Aumentar a relevância dos resultados da pesquisa.
Classificação personalizada: controla, ajusta e substitui a lógica de classificação padrão com um algoritmo baseado em fórmulas para atender aos seus requisitos específicos.
A pontuação de relevância atribuída pela classificação personalizada tem precedência ao veicular os resultados.
Para mais informações, consulte
Personalizar a classificação dos resultados da pesquisa.
Ajuste da pesquisa: afeta a forma como o modelo percebe a relevância semântica dos seus documentos e muda as pontuações de relevância do embedding. Para mais informações, consulte
Melhorar os resultados da pesquisa com o ajuste da pesquisa.
Reclassificação com base em eventos: atualiza os resultados no momento da veiculação usando um modelo de personalização com base em eventos do usuário.
[[["Fácil de entender","easyToUnderstand","thumb-up"],["Meu problema foi resolvido","solvedMyProblem","thumb-up"],["Outro","otherUp","thumb-up"]],[["Difícil de entender","hardToUnderstand","thumb-down"],["Informações incorretas ou exemplo de código","incorrectInformationOrSampleCode","thumb-down"],["Não contém as informações/amostras de que eu preciso","missingTheInformationSamplesINeed","thumb-down"],["Problema na tradução","translationIssue","thumb-down"],["Outro","otherDown","thumb-down"]],["Última atualização 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."]]
