RRF et moteurs IA : comprendre et implémenter le Reciprocal Rank Fusion

Pourquoi le RRF est-il devenu central dans les moteurs IA ?

Parce qu’un moteur assisté par l’IA n’interroge plus un index unique. Il lance plusieurs recherches en parallèle, reçoit plusieurs classements, et doit décider lequel a raison avant d’écrire une réponse. Le RRF est la couche qui tranche.

Un pipeline courant combine quatre familles de signaux : une recherche vectorielle qui mesure la proximité de sens, une recherche lexicale qui compare des termes, une récupération orientée graphe qui suit les relations entre entités, et des API externes interrogées à la volée. Chacune produit son propre ordre, sur sa propre échelle. Comparer directement quatre classements produits par quatre logiques différentes n’a pas de sens : c’est exactement le problème que la fusion des rangs résout.

Cette couche conditionne ce que le modèle lit. Un contenu absent du classement fusionné n’existe pas pour lui, quelle que soit sa qualité. C’est ce qui fait du RRF un sujet de GEO et pas seulement d’ingénierie.

Qu’est-ce que le reciprocal rank fusion ?

Une méthode d’agrégation de classements qui traite chaque liste comme un vote pondéré par la position. Un document en tête pèse plus qu’un document en fin de liste, et un document présent dans plusieurs listes cumule ses contributions.

La formule tient en une ligne. Pour un document d, on additionne, pour chaque système s où il apparaît, l’inverse de la somme du paramètre k et de son rang :

Score(d) = Σ 1 / (k + rang_s(d))

Trois conséquences se lisent directement dans le calcul. Un document en première position d’une liste apporte 1/(k+1), la contribution la plus forte. Un document mal classé apporte une valeur proche de zéro. Et un document cité par plusieurs sources additionne ses parts, ce qui le fait passer devant un concurrent premier sur une seule liste.

Fusionner les rangs plutôt que les scores évite une étape fragile. Un score BM25 n’est pas borné, une similarité vectorielle vit entre 0 et 1 : les additionner suppose une normalisation qui casse dès qu’un moteur change d’échelle ou de modèle. Le rang, lui, est une échelle universelle et directement additionnable.

Quel est le lien entre le RRF et le query fan-out ?

Le query fan-out éclate une question en plusieurs sous-requêtes lancées en parallèle. Le RRF intervient juste après, pour réconcilier les classements que chacune rapporte.

Quand un utilisateur pose une question large, un moteur génératif la reformule : une sous-requête pour l’intention principale, d’autres pour les angles secondaires et les synonymes. Chaque variante part vers un pipeline distinct, parfois un index lexical, parfois un index vectoriel, parfois une base documentaire spécialisée. Le résultat est un ensemble de listes indépendantes, chacune pertinente pour un fragment de la question, aucune ne couvrant le besoin entier.

Sans mécanisme de fusion, ces listes restent concurrentes et impossibles à hiérarchiser. Avec le RRF, un contenu remonté par plusieurs sous-requêtes gagne en poids même s’il n’était premier sur aucune. Couvrir plusieurs angles d’un même sujet augmente donc mécaniquement les chances d’être retenu, ce qui rejoint la logique de la réponse extractible.

Comment le RRF sert-il la recherche hybride ?

Il fait le pont entre deux familles de moteurs aux logiques opposées : la recherche par mots et la recherche par sens. Il les fusionne sans toucher à leurs scores.

Okapi BM25 classe un document selon la fréquence des termes de la requête et leur rareté dans le corpus. Il excelle sur les termes exacts, une référence produit, une expression figée. Sa limite est connue : il ignore les synonymes. Cherchez « voiture électrique », il passera à côté d’une page qui ne parle que de « véhicule à batterie ».

La recherche vectorielle transforme requête et documents en vecteurs. Ces représentations capturent le sens, si bien que « médecin » et « praticien » se retrouvent voisins. La variante dense encode le texte en un vecteur compact ; la variante sparse conserve une représentation creuse, plus proche des mots, pour garder de la précision lexicale.

Chaque moteur produit sa liste, le RRF additionne les contributions de rang, et un document bien classé des deux côtés remonte au sommet. On garde la précision lexicale sur les requêtes exactes et la souplesse sémantique sur les reformulations, sans avoir à recalibrer quoi que ce soit.

Quel rôle joue le RRF dans une architecture RAG ?

Celui d’arbitre entre plusieurs sources, avant que le modèle ne rédige. La fusion décide du contexte qui lui sera transmis, donc de ce qu’il pourra citer.

1. 01Récupération multi-sources. Le système interroge en parallèle un index lexical, un index vectoriel et parfois une base documentaire interne. Chaque source rend sa liste, ordonnée selon ses propres critères, et ces classements ne sont pas comparables entre eux.
2. 02Fusion par le RRF. On récupère le rang de chaque document dans chaque liste, on calcule sa contribution en inverse de rang, on somme et on réordonne. Le résultat reflète le consensus des pipelines plutôt que la préférence d’un seul.
3. 03Passage au modèle. Les documents les mieux classés partent vers le modèle de langage, qui rédige à partir d’eux au lieu de puiser dans sa seule mémoire d’entraînement.

Comment implémenter le RRF avec Elasticsearch ?

Elasticsearch fournit un retriever dédié : rrf reçoit plusieurs retrievers en entrée et fusionne leurs rangs, sans normalisation ni code externe.

POST index/_search
{
  "retriever": {
    "rrf": {
      "retrievers": [
        { "standard": { "query": { "match": { "texte": "reciprocal rank fusion" } } } },
        { "knn": { "field": "vecteur", "query_vector": [0.12, 0.87], "k": 50, "num_candidates": 100 } }
      ],
      "rank_constant": 60,
      "rank_window_size": 100
    }
  }
}

Le premier retriever exécute une correspondance BM25 classique, le second une recherche par plus proches voisins. Le paramètre rank_constant est le k de la formule, fixé à 60 par défaut. Le rank_window_size définit combien de documents chaque retriever transmet à la fusion ; sa valeur par défaut suit le paramètre size de la requête.

Toutes les fonctions habituelles ne suivent pas. La documentation d’Elasticsearch les liste précisément :

• Agrégations, highlighting, pagination, collapse, suggesters, profiling et explain fonctionnent avec le retriever rrf.
• Le highlighting n’est pas disponible sur les champs vectoriels.
• Scroll, sort et rescore ne sont pas pris en charge : les employer lève une exception.

Cette compatibilité partielle s’anticipe à la conception. Une architecture qui repose sur le tri explicite ou sur le scroll demande à être repensée avant de basculer vers la fusion.

Comment calcule-t-on un score RRF, concrètement ?

Prenons un document classé 2ᵉ par BM25 et 5ᵉ par la recherche vectorielle, avec k = 60. Son score de fusion vaut 0,0315.

Seuls les rangs entrent dans le calcul : les scores internes des deux moteurs, sur des échelles incompatibles, n’apparaissent nulle part. Et les deux contributions restent proches, 0,01613 contre 0,01538, alors que les rangs vont du deuxième au cinquième. C’est l’effet du k élevé : il aplatit l’écart entre les premières positions et valorise la présence dans plusieurs listes.

Comment régler le paramètre k et pondérer les moteurs ?

Le paramètre k contrôle l’influence des premières positions, la pondération donne plus de poids à un moteur jugé plus fiable. Ces deux leviers se règlent sans rien réentraîner.

La pondération, elle, multiplie la contribution d’un moteur avant la somme. Sur un corpus technique, la recherche lexicale mérite souvent plus de poids ; sur des questions en langage naturel, c’est la recherche vectorielle qui prend l’avantage.

• Partir de k = 60, puis descendre si les premiers résultats se diluent.
• Mesurer chaque changement sur un jeu de requêtes réelles avant de le figer.
• Ajuster la pondération moteur par moteur, pas globalement.
• Consigner chaque configuration testée pour pouvoir comparer.

En quoi le RRF diffère-t-il des autres méthodes de fusion ?

Il ne touche jamais aux valeurs brutes de pertinence. Là où les fusions par score exigent une normalisation, il ne lui faut que des rangs.

Sa contrepartie est réelle. En ignorant l’amplitude, le RRF ne distingue pas un premier qui écrase la concurrence d’un premier qui la devance de peu. Les rangs lointains, eux, contribuent si faiblement qu’ils ne pèsent presque pas.

Où le RRF sert-il concrètement ?

Partout où plusieurs classements coexistent et doivent être départagés : commerce en ligne, support client, recherche académique, moteur interne d’entreprise.

Sur un catalogue produit, un client tape parfois une référence exacte, parfois une description approximative. Le moteur lexical capte la première intention, la recherche vectorielle la seconde, et la fusion évite qu’un signal écrase l’autre. Dans un assistant de support, la question déclenche plusieurs recherches parallèles, articles d’aide, historiques de tickets, documentation, et la fusion prépare le contexte avant la rédaction. Dans une organisation, l’information vit éclatée entre messageries, wikis et bases métier : le RRF unifie des résultats issus d’outils qui n’ont pas la même notion de pertinence.

Comment mesurer l’efficacité de la fusion ?

En vérifiant que la position des documents pertinents s’améliore après fusion, comparée à chaque source prise seule.

Le mean reciprocal rank moyenne les inverses du rang auquel apparaît le premier document pertinent. Un document trouvé en première position donne 1, en troisième position 0,33. La méthode d’évaluation tient en quatre gestes : constituer un jeu de requêtes représentatives, annoter la pertinence des documents, mesurer chaque moteur seul puis le classement fusionné, et refaire la mesure après chaque ajustement de k.

Quelles sont les limites du RRF ?

Sa force, ne travailler qu’avec les rangs, est aussi sa faiblesse : il perd l’information contenue dans les scores et suppose que les documents soient identifiables d’un système à l’autre.

• Un écart minime et un écart massif entre deux documents pèsent pareil.
• Un biais de position favorise mécaniquement les premières places de chaque liste.
• Le résultat dépend du nombre de listes fusionnées, ce qui rend deux configurations difficiles à comparer.
• Aucune pondération contextuelle native : la méthode ne sait pas qu’une requête appelle plutôt le lexical ou le sémantique.

Sur le terrain, la difficulté est ailleurs. Chaque moteur rend ses propres identifiants de documents, et le rapprochement échoue dès qu’un même contenu porte deux références différentes. La cohérence entre l’index lexical et l’index vectoriel devient alors le point sensible.

Un document réindexé d’un côté et pas de l’autre fait comparer deux états désynchronisés, et le classement final s’en ressent. Suivre le MRR après chaque mise à jour permet de détecter la dérive avant qu’elle n’atteigne les réponses.

Que change le RRF pour une stratégie SEO ?

Il déplace l’objectif : il ne s’agit plus de dominer un index, mais d’être rappelé par plusieurs moteurs à la fois. La fusion récompense la présence répétée, pas la domination isolée.

Un contenu qui ne performe que sur le versant lexical sera dépassé par une page classée correctement des deux côtés. Puisque les rangs s’additionnent, un document médian sur trois classements finit souvent devant un document premier sur un seul.

Les clusters thématiques renforcent ce signal. Une page pilier entourée de satellites multiplie les points d’entrée par lesquels un moteur peut rappeler le sujet, et le maillage interne consolide leur place dans les représentations vectorielles comme dans le graphe d’entités. Concrètement, quatre couches se travaillent séparément :

• Le signal lexical : vocabulaire précis, correspondance des termes, structure claire.
• Le signal sémantique : profondeur du contexte et champ lexical réellement couvert.
• Le signal d’entités : mentions explicites des concepts, marques et personnes rattachés au sujet.
• Le signal de structure : données structurées et hiérarchie de titres exploitables par une récupération orientée graphe.

C’est la même logique que celle de l’information gain : ce qui distingue une page n’est pas sa longueur, c’est le nombre d’angles par lesquels un moteur peut la retrouver.

Vers quoi le RRF évolue-t-il ?

Vers plus de contexte et plus d’échelle. Trois directions se dessinent dans les travaux en cours.

• Un RRF adaptatif, qui ajuste k selon la nature de la requête et la fiabilité de chaque source, au lieu d’appliquer la même constante partout.
• Une fusion multimodale, capable de mêler texte, image et données structurées dans un même classement.
• Un calcul distribué, pour tenir la latence quand le nombre de sources et le volume documentaire augmentent.

La tendance de fond reste la même : la fusion devient une brique centrale des moteurs, et sa simplicité d’origine est précisément ce qui lui permet d’absorber des sources toujours plus nombreuses.

Questions fréquentes

Sources

1. 1Elasticsearch : Reciprocal rank fusion, formule, rank_constant et fonctions supportées
2. 2Cormack, Clarke et Buettcher, Reciprocal Rank Fusion outperforms Condorcet and individual Rank Learning Methods, SIGIR 2009, DOI 10.1145/1571941.1572114 : l’article qui introduit la méthode et la constante 60.
3. 3Définitions et mise en contexte dans la fiche Query fan-out et la fiche GEO du lexique.