Reciprocal Rank Fusion (RRF) je metoda, která spojuje několik seřazených seznamů výsledků do jednoho pořadí. Místo původních skóre pracuje s pozicí dokumentu v jednotlivých seznamech. Hodí se například ke spojení textového a vektorového vyhledávání. Sama ale nečte obsah, neposuzuje jeho stáří a neříká, jak dnes řadí výsledky Google nebo ChatGPT.
Pro SEO a GEO je užitečné tomuto rozdílu rozumět. „Systém kombinuje více hledání“, „používá RRF“ a „zvýhodňuje nové články“ jsou tři odlišná tvrzení. Jedno z druhého automaticky neplyne. Následující vysvětlení propojuje původní práci z roku 2009, dokumentaci konkrétní implementace a samostatný výzkum časového zkreslení jazykových modelů.
RRF slučuje pořadí, nikoli nesrovnatelná skóre
Představte si interní vyhledávání v produktové dokumentaci. Jedna metoda hledá přesné výrazy, takže dobře zachytí název funkce nebo chybový kód. Druhá hledá významově podobné pasáže, a může proto najít odpověď i při jiném slovním znění otázky. Obě vrátí kandidáty, jenže jejich skóre nemusí být na stejné stupnici. Sečíst je bez dalšího by znamenalo předpokládat srovnatelnost, kterou nemáme doloženou.
RRF tento problém obchází: vezme pořadí z každého seznamu a každé nalezené položce přičte příspěvek podle její pozice. Čím výše dokument v seznamu stojí, tím větší příspěvek dostane. Dokument nalezený několika metodami může získat více příspěvků. Původní práce o RRF z roku 2009, jejímiž autory jsou Gordon V. Cormack, Charles L. A. Clarke a Stefan Büttcher, popisuje právě slučování pořadí bez závislosti na libovolných skóre vstupních systémů.
Za toto zjednodušení se platí ztrátou informace. Rozdíl mezi prvním a druhým místem je pro základní RRF určený jejich pozicemi, nikoli tím, zda je původní skóre téměř stejné, nebo výrazně odlišné. RRF není překladač všech skóre na pravděpodobnost správné odpovědi. Je to pravidlo pro sestavení společného pořadí.
Jak se RRF počítá: dva seznamy a čtyři dokumenty
Základní vzorec lze zapsat jako RRF(d) = součet 1 / (k + pozice(d)). Příspěvky sčítáte přes vstupní seznamy. Pozice začíná jedničkou; k je konstanta, která tlumí rozdíly mezi vysokými a nízkými pozicemi. Původní autoři ve validačních experimentech používali k = 60. Stejnou výchozí hodnotu uvádí současná dokumentace Elasticsearch, kde se parametr jmenuje rank_constant.
Následující ukázka je záměrně modelová. Nejde o výsledky Googlu, skutečné dokumenty ani měření kvality vyhledávání. První metoda vrátí seznam A, B, C; druhá B, C, D. Pro k = 60 vycházejí tyto hodnoty, přepočtené podle uvedeného vzorce:
| Dokument | Pozice v prvním seznamu | Pozice ve druhém seznamu | RRF skóre |
|---|---|---|---|
| B | 2 | 1 | 0,032522 |
| C | 3 | 2 | 0,032002 |
| A | 1 | nenalezen | 0,016393 |
| D | nenalezen | 3 | 0,015873 |
Dokument B dostane 1/62 + 1/61, zatímco A pouze 1/61. Ve výsledku tedy vyhraje B, přestože v prvním seznamu nebyl první. U konečných seznamů položka, která v daném seznamu není, z něj nedostane příspěvek. Takto s chybějícím výsledkem pracuje i uvedená implementace Elasticu; nedosazujeme mu libovolnou náhradní pozici.
Tabulka ukazuje mechaniku výpočtu, ne důkaz, že B je věcně nejlepší odpověď. Pokud oba vstupy preferují chybný dokument, fúze jeho chybu neodhalí. A pokud se správný dokument nedostal do žádného vstupního seznamu, RRF ho samo nenajde.
Konstanta a hloubka seznamů mění výsledek
Vyšší k zmenšuje relativní rozdíly mezi příspěvky z jednotlivých pozic. Nižší k naopak dává výraznější výhodu začátku seznamu. Nejde o počet výsledků ani o hranici stáří článku. Hodnota 60 je známá volba z původního výzkumu a výchozí nastavení konkrétního produktu, nikoli univerzální optimum pro každé hledání.
Samostatným rozhodnutím je, jak hluboké seznamy do fúze vůbec vstoupí. Elasticsearch pro to používá rank_window_size. Když seznam zkrátíte, některé dokumenty ztratí příspěvek, který by v delším seznamu dostaly. Může se proto změnit i pořadí nahoře. Počet položek vrácených uživateli není totéž co počet kandidátů použitých při spojování.
U vlastního řešení je důležité sjednotit také identitu dokumentu. Dvě URL téhož obsahu nebo různé úseky jednoho dokumentu nemusí být pro aplikaci stejná položka. Způsob slučování určete před testem. Jinak můžete porovnávat odlišně připravené vstupy a jejich rozdíl mylně připisovat samotnému vzorci.
Fúze, přerovnání a čerstvost řeší různé úkoly
RRF lze zařadit do vyhledávacího procesu, který nejprve získá několik sad kandidátů a potom je spojí. Následovat může další přerovnání podle obsahu, například jazykovým modelem. Toto přerovnání se označuje jako reranking. Není povinnou součástí RRF a základní vzorec k němu jazykový model nepotřebuje.
Podobně není fúze totožná s rozvětvením dotazu neboli query fan-out. Rozvětvení vytváří další hledání; fúze řeší spojení jejich výsledků. Existence více dílčích dotazů ještě neprokazuje, že je konkrétní služba slučuje právě pomocí RRF.
Čerstvost může ovlivnit vstupní hledání nebo pozdější řazení. V základním vzorci RRF ale žádné datum není. Pokud se při zachování stejných seznamů a stejného k změní pouze datum v metadatech dokumentu, samotný tento výpočet zůstane stejný. Tím není vyloučený vliv data jinde v celém systému; pouze jej nepřipisujeme nesprávné vrstvě.
Co studie recency bias skutečně ukazuje
Vstupní rozbor Metehana Yesilyurta spojuje údajně pozorovanou konfiguraci ChatGPT s výzkumem preference nových textů. Z něj ale nelze potvrdit aktuální produkční nastavení OpenAI ani nasazení RRF. Řetězec připomínající konfigurační parametr a experiment s vybranými modely jsou odlišné druhy podkladu.
Studie Fanga a spoluautorů z roku 2025 testovala přerovnávání pasáží z kolekcí TREC DL21 a DL22. V listwise experimentu vědci pracovali se sedmi modely a do pasáží vložili umělá data publikace. Novější datum přiřazovali původně hůře umístěným pasážím. Doplňkový párový experiment měl užší rozsah: čtyři otevřené modely a kolekci DL21, přičemž dvojice měly stejnou úroveň relevance podle lidského hodnocení.
V tomto uspořádání data ovlivňovala výsledné preference. To je důvod testovat citlivost vlastního rerankeru na nerelevantní časový údaj. Není to důkaz, že libovolný nový blogový článek překoná starší odborný zdroj, že všechny současné AI služby mají stejnou slabinu nebo že pouhé přepsání data zvýší vaše citace. Studie neauditovala celé produkční vyhledávání ChatGPT ani Googlu.
Od dodavatele chtějte vstupy a ověřitelný výstup
Pokud vám někdo doporučuje RRF pro vlastní hledání, nechte si ukázat oba vstupní seznamy, identifikátory dokumentů, hloubku kandidátů, konstantu a výsledné pořadí. Na několika položkách musí být možné skóre přepočítat. Teprve potom má smysl porovnat, zda změna lépe řeší skutečné otázky uživatelů.
Pro test zachovejte stejné otázky a zdrojový korpus, připravte lidské posouzení relevance a oddělte kvalitu nalezených podkladů od kvality následné odpovědi. Sledujte také odezvu a případy, kdy se správný dokument nedostal mezi kandidáty. Lepší výsledek jednoho modelového součtu není přínosem celého nasazení.
Pro veřejný web je užitečnější pokračovat od konkrétního problému k optimalizaci webu pro AI vyhledávání než přepisovat obsah podle domnělého interního vzorce. RRF vám pomůže rozumět jedné technické možnosti. Recept na zaručenou viditelnost z něj nevzniká.
Rozhodujete o interním vyhledávání nebo RAG?
Můžu s vámi ujasnit, jaký problém má nové vyhledávání řešit, jaké potřebuje podklady a podle čeho porovnat varianty. Proberme zadání vašeho vyhledávacího řešení. Volbu metody i technické ověření vztáhneme ke konkrétnímu projektu, ne ke slibu lepších pozic veřejného webu.









