重排器（Reranker）作为信息检索的第二阶段，需要根据查询和文档的相关性，对候选文档做细粒度的排序。经典的重排方法一般使用交叉编码器，结合文档和查询的语义信息进行打分和排序。
现有的涉及LLM的重排方法大致可以分为三类：
- 用重排任务微调LLM
- 使用prompt让LLM进行重排
- 以及利用LLM做训练数据的增强
本文中针对前两种方法介绍一些研究。
排序学习方法主要分为point-wise，pair-wise以及list-wise三种思路，LLM通过prompt进行重排也类似。
参考综述：Large Language Models for Information Retrieval: A Survey[1]
LRL
Zero-Shot Listwise Document Reranking with a Large Language Model
这篇文章中，与现有的score and rank的point-wise打分方式不同，作者提出一种名为 Listwise Reranker with a Large Language Model (LRL) 的方法，利用GPT-3对文档进行list-wise的排序，直接生成候选文档的identifier序列实现重排。
point-wise vs list-wise
作者提到，这种list-wise的方法能够让模型同时关注到所有的文档信息。
具体地，作者使用如下的instruction让LLM实现文档的重排：
prompt1
模型将根据提示在方括号后生成一系列按相关性重新排序后的passage id。
为了更好地对比，作者还采用了如下方法实现point-wise的打分：
prompt2
此方法中，采用模型生成的第一个token中True与False的概率分布作为具体的分数进行排序。
- 输入长度限制的处理 由于GPT-3输入长度限制为4k token，召回的文档长度很容易突破长度限制，本文中作者采用滑动窗口解决这一问题。假设模型每次最多对m个文档进行排序，待排序文档数目为n，则先对列表中倒数m个文档进行排序，再向前滑动m/2，直到列表头部。 这种方法虽然无法实现对整个列表进行完全的排列，但也能够有效地提高排列结果。
RankVicuna
RankVicuna: Zero-Shot Listwise Document Reranking with Open-Source Large Language Models
RankVicuna 也是一种Listwise的LLM排序方法，但是不同于LRL，它是经过针对重排微调后的模型。利用RankGPT-3.5作为教师模型在MS MARCO v1训练集中随机抽样的100K套训练集文档上生成数据，将RankGPT的能力蒸馏到7B的RankVicuna中。
RankVicuna推理和训练时使用的prompt
PRP
Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting
本文中，作者提出利用LLM做list-wise与point-wise重排任务时，模型存在无法很好地理解排序指令的问题，并且在越小规模的模型中越显著。作者认为这一问题有可能与预训练中缺少相应任务有关。
LLM应用于list-wise时出现的问题
针对这一问题，作者提出一种名为 pairwise ranking prompting (PRP) 的范式，设计了一种简单的prompt，结合了生成和打分的模型API，使得规模较小的开源模型也能够在公开数据集上实现SOTA.
PRP的prompt设计如下图所示，输入为u(q,d_1,d_2)的三元组形式。利用LLM对输入敏感这一特性，同一个三元组会变换顺序输入模型两次，即u(q,d_1,d_2)和u(q,d_2,d_1)，若两次判断相反，则记为 d_1=d_2。
PRP图示
用上述的PRP作为一个单元，作者还提出了三种变体：PRP-Allpair、SORTING-BASED以及SLIDING WINDOW
- PRP-Allpair(ALL PAIR COMPARISONS)：每个文档的得分通过与所有的其他文档对比综合计算，文档d_i的分数计算如下式，若判断结果为 d_1=d_2 ，则各得一半的分数。这种方法的明显缺陷在于其时间复杂度O(n^2).
- PRP-Sorting(SORTING-BASED)：使用快速排序算法或堆排序算法进行重排，能够将时间复杂度降低到O(NlogN).
- PRP-Sliding-K(SLIDING WINDOW)：滑动窗口法类似于冒泡排序，由于重排往往只关心top K的文档，而这里的K一般较小，相对于PRP-Allpair仍然能减少许多API调用。
滑动窗口
RankVicuna以及几种baseline模型在DL19和DL20数据集上的结果如下图所示。可以看出，仅7B参数的RankVicuna的重排能力甚至能够媲美175B参数的基于GPT3.5的模型。
RankVicuna的结果与LRL与PRP的对比
PROMPTRANK
Few-shot Reranking for Multi-hop QA via Language Model Prompting
本文中，作者提出一种名为 PROMPTRANK 的框架，依靠prompting和多跳重排，可以在少样本的前提下解决复杂的多跳问答（MQA）。
多跳问答（multi-hop question answering, MQA）是指query对应多个文档，且回答问题需要结合召回的复数文档进行多步推理的场景。目前的MQA大多基于retrieve-then-read的pipeline，然而这种模式下往往需要大规模的训练数据，对低资源场景（如医疗、法律等特定领域）不友好。
Method
使用TF-IDF相似度得到初步的候选文档集，再使用LLM进行重排。
LLM对召回的文档先进行打分，保留top K_1个文档，用超链接对这些文档进行扩展，再用LLM对扩展文档打分并挑选top K_2的文档，如此往复直到到达最大深度H。
给定一个查询q和推理路径c，作者使用条件概率作为LLM打分的依据，定义如下式：
其中
为给定模型提示
，模型产生问题q的概率。特别地，作者提到在实验中，使用
的效果要显著地好于
。
作者解释称，这一方面是由于LLM对输入格式很敏感，使用
产生的分数可靠性较低。另一方面，
中prompt的格式，即问题位于文档后的形式，与LLM预训练语料的格式较为接近（例：FAQ），使得模型能够更加适应这种任务。
Instruction Search & Ensembling
在指令的编写中，作者使用了Instruction Search的方法，即不使用人工编写instruction，而是让语言模型进行填空，例如：
Task: < X > documents and < Y > question. Question:
mask部分可以填为 _< X > = “Read the following” and < Y > = “answer the”_，作者采用了两种不同的模板，并且用不同的instruction的最终得分进行集成，得到最终分数。
作者提到，结合不同prompt所得结果的分数能够使分数稳定，降低最终分数对不同prompt的敏感度。
Demonstration Ensembling
在提示中，作者还考虑了添加示例。但是由于模型输入长度限制，每个输入最多只能加入一个示例。作者同样通过集成的方法来解决这一问题，即每个提示包含一个不同的示例，最终通过集成不同提示的得分，使模型同时能从多个示例中进行学习。
实验
实验部分，作者采用HotpotQA，一个多跳查询的数据集，以及2WikiMQA进行测试。评价指标使用召回率Recall@2/10/20。
在实验中，作者用语言模型生成了200种instructions并随机采样其中10个，集成分数的方法采用最大值。从结果中可以看出，零样本的PROMPTRANK已经可以显著地提升召回表现，甚至超越了完全监督的DrKit。
HotpotQA结果
结果也显示，示例的加入可以进一步提升模型表现。从下图中可以看出随着示例的加入，模型的性能有较大的提升。由于输入长度限制（1024 tokens），每次输入的示例不会超过2个，这个结果也证明了Demonstration Ensembling这一方法的有效性。
示例数量的影响
总结
LLM不同于传统的交叉编码器，具有更强的语义理解能力，并且能够捕捉到文档列表整体的顺序信息，它仍然面对几个不可忽视的问题。
一方面，LLM的输入长度对于一个文档列表来说还是十分受限的，必须通过滑动窗口或集成的方式才能实现文档输入。另一方面，list-wise的LLM重排器对于输入非常敏感，在某些极端的情况下，例如将输入文档随机打乱顺序时，模型的输出结果甚至可能不如BM25。另外，还有参数过剩与时效性的问题会导致LLM重排器难以落地。
本文参考资料
[1]
Large Language Models for Information Retrieval: A Survey: https://arxiv.org/abs/2308.07107v2
