Waarom is dit belangrijk?
Besluiten en verslagen steunen zo op teksten die de vraag beter dekken, met minder afleidende stukken ertussen. In de zorg gebruiken medische zoeksystemen reranking om zorgverleners naar gecontroleerde bronnen te leiden in plaats van losse webpagina's. Op het werk of tijdens een studie bepaalt die volgorde welke tekst iemand eerst leest, terwijl specialisten het onderling vaak oneens zijn over welke tekst past.
Zo werkt het in de praktijk
In een gids van IBM volgt reranking op de eerste zoekstap in bedrijfszoeksystemen. De stap geldt voor contracten, interne kennisbanken en technische documentatie. Een model leest vraag en document samen en geeft een nieuwe score, zonder de zoekindex te wijzigen.
Een artikel voor de conferentie ECIR 2025 onderzoekt de training van modellen voor reranking. Het vergelijkt één stap, waarin het model relevante en andere teksten scheidt, met twee stappen. De enkele stap blijkt even effectief als de training in twee stappen.
De TREC Deep Learning Track van NIST koppelt reranking aan een vaste testwijze. Deelnemers herschikken dezelfde kandidatenlijst na een eerste zoekstap. NIST beoordeelt relevantie op een vaste schaal en vergelijkt systemen blind via nDCG, een maat voor de rangorde.




