باختصار
الـ Reranker نموذج يعيد ترتيب نتائج البحث: يستقبل السؤال والوثيقة معًا في تمريرة واحدة، ويخرج درجة صلة واحدة أدق بكثير من مجرد تشابه المتجهات.
بالتفصيل
أنظمة الاسترجاع الجادة تعمل على مرحلتين. المرحلة الأولى «الاسترجاع» يقوم بها bi-encoder: يرمّز السؤال والوثائق كلٌّ على حدة إلى متجهات، فيمكن مقارنتها بسرعة عبر ملايين الوثائق. المرحلة دي سريعة لكنها تقريبية، وممكن ترجع مرشحين غير مناسبين.
المرحلة الثانية «إعادة الترتيب» يقوم بها cross-encoder. توثيق Sentence Transformers يصفها بدقة: «يُمرَّر السؤال والوثيقة المحتملة في وقت واحد إلى شبكة المحوّلات، التي تخرج درجة واحدة بين 0 و 1 تشير إلى مدى صلة الوثيقة بالسؤال». لأن الترميز مشترك، تستطيع آلية الانتباه أن تربط بين كلمات السؤال وكلمات الوثيقة مباشرة، فتكون الدرجة أدق بكثير.
الثمن أن الـ cross-encoder لا يتوسّع: مقارنة السؤال بمليون وثيقة تعني مليون تمريرة. ولذلك المعمارية المعتادة هي استرجاع قائمة كبيرة — مثلًا 100 نتيجة محتملة — ثم إعادة ترتيبها وعرض أفضل 5 فقرات للمستخدم.
من الأمثلة المذكورة في التوثيق: نموذج الاسترجاع multi-qa-mpnet-base-dot-v1 المبني على MS MARCO، ومجموعة نماذج MS MARCO Cross-Encoders لإعادة الترتيب.
مثال عملي
عندك نظام أسئلة وأجوبة على أرشيف مقالات عربية. البحث الدلالي بيرجع 100 فقرة قريبة من السؤال، لكن أول خمسة فيهم ممكن يكونوا مجرد فقرات تشترك في الكلمات لا في المعنى المطلوب. تمرّر الـ 100 على مُعيد ترتيب فيقرأ كل فقرة مع السؤال ويعطيها درجة، ثم ترسل أفضل خمسة فقط إلى النموذج المولّد. النتيجة: إجابات أدق وسياق أقصر وتكلفة رموز أقل.
مصطلحات مرتبطة
الاسترجاع المعزز للتوليد (RAG)، البحث الدلالي (Semantic Search)، التضمين (Embedding)، تشابه جيب التمام (Cosine Similarity)، العوالم الصغيرة الهرمية (HNSW).
المصادر: Sentence Transformers — 2026-09-04
