RRF 倒数秩融合算法

倒数秩融合 (Reciprocal Rank Fusion, RRF) 是一种无监督、免标定的多路检索结果合并算法；针对多路异构检索源（如 BM25 稀疏检索分数区间 $[0, 30+]$ 与 Dense 向量余弦相似度区间 $[0, 1]$），RRF 抛弃不具备可比性的原始打分，仅依赖各文档在各路列表中的排序位置 (Rank) 进行加权打分：$\text{RRF}(d) = \sum_{m \in M} \frac{1}{k + r_m(d)}$，其中 $r_m(d)$ 为文档 $d$ 在检索源 $m$ 中的名次（从 1 开始），$k$ 为平滑常数（工业界标准经验取值 $k = 60$）。

混合检索 (Hybrid Search) 中合并关键词检索列表与稠密向量检索列表、多查询 (Multi-Query) 并行检索结果去重合并。

传统线性加权融合 $\alpha \cdot S_{\text{dense}} + (1-\alpha) \cdot S_{\text{sparse}}$ 极度依赖繁琐的分数归一化（Min-Max 或 Z-Score），且当单路出现异常极高分时会严重扭曲全局排序；RRF 完全基于相对名次排序，对分数绝对尺度完全免疫，鲁棒性极高。

推导 RRF 打分公式，并详细解释常数 $k=60$ 是如何平滑排名前列项的激进分数差异的？

为什么在单一检索分支排名第一的文档（Rank 1），与在两路检索中均排名靠前（如两个 Rank 5）的文档，在 RRF 中的得分比较？

加权 RRF (Weighted RRF: $\sum_m \frac{w_m}{k + r_m(d)}$) 在特定领域对 BM25 或 Dense 给予偏好倾斜时的应用？

对比 RRF 与有监督排序学习 (Learning to Rank, LTR / RankNet) 在冷启动与标注成本上的优缺点？

Elasticsearch 与 Qdrant 官方 Hybrid Search API 底层对 RRF 的原生实现与执行参数调优？