想象一下，你想找一部“最好看的科幻电影”。你没法自己看完所有电影，于是你问了三位你非常信任的朋友（我们叫他们小A、小B、小C），让他们每人给你一个前5名的推荐名单。

现在你拿到了三个不同的名单：

• 小A的名单 (偏爱经典)

  1. 《银翼杀手》

  2. 《2001太空漫游》

  3. 《星际穿越》

  4. 《黑客帝国》

  5. 《阿凡达》

• 小B的名单 (偏爱新片)

  1. 《流浪地球2》

  2. 《星际穿越》

  3. 《沙丘》

  4. 《降临》

  5. 《银翼杀手2049》

• 小C的名单 (偏爱视觉)

  1. 《阿凡达》

  2. 《黑客帝国》

  3. 《星际穿越》

  4. 《银翼杀手》

  5. 《沙丘》

现在问题来了：如何综合这三个名单，得出一个最终的、最靠谱的推荐榜单？ 这就是 RRF 算法要解决的问题。

RRF算法的核心思想

RRF 的全称是 Reciprocal Rank Fusion，中文叫 “倒数排名融合”。

它的核心思想非常简单，可以总结为两句话：

1. 排名越靠前，价值越大。 （被任何一个朋友排在第1名，远比被排在第10名要有分量得多）。

2. 综合所有人的意见。 （一部电影在多个名单里都出现，即使排名不都是第一，也说明它很不错）。

RRF具体是怎么做的？

RRF 用一个非常巧妙的数学方法来实现这个思想——“排名的倒数”。

我们给每部电影在每个名单里的排名算一个分数：分数 = 1 / 排名。

• 排名第 1 -> 分数 = 1/1 = 1 分

• 排名第 2 -> 分数 = 1/2 = 0.5 分

• 排名第 3 -> 分数 = 1/3 ≈ 0.33 分

• ...

• 排名第 10 -> 分数 = 1/10 = 0.1 分

• 如果没出现在名单里 -> 分数 = 0 分

你看，这个分数完美体现了“排名越靠前，价值越大”的思想。从第1名掉到第2名，分数直接砍半（少了0.5分），而从第9名掉到第10名，分数只少了一点点（约0.01分）。

接下来，我们把每部电影在 所有名单里 的分数加起来，得到一个总分。

我们来算一下几部热门电影的总分：

• 《星际穿越》

  • 在小A名单排第3名 -> 0.33分

  • 在小B名单排第2名 -> 0.5分

  • 在小C名单排第3名 -> 0.33分

  • 总分 = 0.33 + 0.5 + 0.33 = 1.16 分

• 《银翼杀手》

  • 在小A名单排第1名 -> 1分

  • 在小B名单没出现 -> 0分

  • 在小C名单排第4名 -> 0.25分

  • 总分 = 1 + 0 + 0.25 = 1.25 分

• 《阿凡达》

  • 在小A名单排第5名 -> 0.2分

  • 在小B名单没出现 -> 0分

  • 在小C名单排第1名 -> 1分

  • 总分 = 0.2 + 0 + 1 = 1.2 分

• 《流浪地球2》

  • 在小A名单没出现 -> 0分

  • 在小B名单排第1名 -> 1分

  • 在小C名单没出现 -> 0分

  • 总分 = 1 分

最后，我们根据这个总分从高到低排序，就得到了最终的融合榜单：

1. 《银翼杀手》 (1.25分)

2. 《阿凡达》 (1.2分)

3. 《星际穿越》 (1.16分)

4. 《流浪地球2》 (1分)

5. ...

总结一下

RRF加权算法，就是一种用来合并多个排名列表的方法。 它通过计算 “排名的倒数” 来给每个项目打分，然后把各个列表的分数加起来，最终根据总分得出一个更可靠、更全面的新排名。

它在现代搜索引擎（特别是混合搜索）中非常流行，因为搜索引擎也需要综合“关键词匹配结果”、“语义理解结果”等多个来源的排名，RRF提供了一种简单、高效且无需复杂训练的融合方法。