再ランキング

TL;DR — 再ランキングは二度目の確認です。検索やAIシステムは、まず関連しそうなページの大きな山を素早く大まかに取得し、その後、より遅いが賢いモデルがその候補リストを再スコアリングして、最良のものを上位に置きます。これは、結果を表示する前、またはAIが回答を書く前に行われます。候補リストに含まれるだけでは不十分で、並べ替えを生き残る必要もあります。

再ランキングとは

再ランキングは、初期のレトリーバーによって生成された候補に2番目のスコアリング段階を適用します。 Evidence for this claim A cross-encoder can score query-document pairs for reranking after an initial retrieval stage. Scope: Sentence-BERT evaluation and related retrieve-then-rerank use; cross-encoders are one reranking approach, not a universal implementation. Confidence: high · Verified: 2026-07-14 Reimers and Gurevych: Sentence-BERT クロスエンコーダーは一つのアプローチであり、すべての再ランカーがそうであるという定義ではありません。 Evidence for this claim A rerank model can reorder an existing candidate list by relevance to a query. Scope: Cohere's Rerank product behavior; inputs, limits, and scoring semantics are vendor-specific. Confidence: high · Verified: 2026-07-14 Cohere: Rerank overview

あなたが採用担当者で、500通の履歴書が届いたと想像してください。500通すべてを注意深く読むことはありません。決して終わらないからです。そこで、まず素早くざっと目を通し、有望そうな20通を選び出し、それからその20通を注意深く読んで順位を付けます。この2段階のプロセスは、現代の検索やAIシステムが関連コンテンツを見つける方法とまったく同じです。

• ステップ1 — レトリーバル。 システムは巨大なインデックスに対して高速で安価なパスを実行し、関連しそうなページやパッセージの候補セットを取得します。広い網を張ります。
• ステップ2 — 再ランキング。 2番目の、より遅く、より注意深いモデルが、その候補リストだけを調べ、各候補がクエリに実際にどれだけ答えているかを再スコアリングし、並べ替えます。

並べ替えられたリストの上位だけがあなたに表示されるか、AIに回答を書かせるために渡されます。つまり、候補リストが誰が候補に残るかを決め、再ランキングが誰が勝つかを決めます。

なぜ2段階で行うのか？

注意深い読み取りはコストがかかるからです。「この正確なページがこの正確な質問にどれだけ答えているか」を判断する精密なモデルは、10億ページのインデックス内のすべてのページに対して実行するにはあまりにも遅すぎます。そのため、システムは安価なもので広くレトリーバルし、高価なモデルを小さな候補リストにのみ費やします。絞り込むには高速で大まかに、仕上げるには低速で精密に。

あなたにとって重要な理由

候補リストにレトリーバルされることは必要ですが、十分ではありません。あなたのページがインデックスにあり、候補セットに含まれていても、再ランカーが他の結果の方が質問にうまく答えていると判断した場合、依然として最終選考に残らない可能性があります。

実用的な要点は、以前にも聞いたことがあるものですが、今はより明確な理由があります：特定の質問に明確に、単独で答えるパッセージを書くこと。 再ランカーは、あなたのパッセージをクエリと並べて、両者がどれだけ一致するかをスコアリングします。直接的な自己完結型の回答として読めるセクションは、その上の3つの段落を読んで初めて意味をなすものよりも高いスコアを得ます。

実際のメカニズムを知りたいですか — バイエンコーダーとクロスエンコーダーの比較、GoogleとBingがこれをどう行うか、AI検索での位置づけ、そしてそれがReciprocal Rank Fusionと同じではない理由？ Advancedタブに切り替えてください。

TL;DR — 再ランキングは、2段階（または多段階）レトリーバルパイプラインの2番目の段階です。安価で広範なレトリーバルパス（BM25キーワードマッチ、埋め込み/ベクトル類似度、またはその両方）が候補セットを取得し、その後、より遅くより精密なモデルがその候補リストを再スコアリングして並べ替えます。中核となるメカニズムはバイエンコーダーとクロスエンコーダーです。バイエンコーダーはクエリとドキュメントを別々にベクトルにエンコードして比較します（高速、事前計算可能、精度は低い）。クロスエンコーダーはそれらを一緒にエンコードし、ペアごとに1つの関連性スコアを出力します（低速、事前計算不可、より正確）。コーパス全体に対してクロスエンコーダーを実行することはできないため、広くレトリーバルして候補リストを再ランキングします。Googleは公には「再ランキング」とは言いませんが、BERTとパッセージランキングがその役割を果たします。MicrosoftはAzure AI SearchでBing由来の明示的な再ランカーを文書化しています。再ランキング ≠ Reciprocal Rank Fusion（RRF）。SEOの要点：再ランカーはクエリとパッセージのペアを共同でスコアリングするため、自己完結型で曖昧さのないパッセージが勝ちます。

レトリーバルしてから再ランキングするパターン

二段階検索は、候補の網羅性と、より高コストなスコアリングの間でトレードオフを行います。 Evidence for this claim A cross-encoder can score query-document pairs for reranking after an initial retrieval stage. Scope: Sentence-BERT evaluation and related retrieve-then-rerank use; cross-encoders are one reranking approach, not a universal implementation. Confidence: high · Verified: 2026-07-14 Reimers and Gurevych: Sentence-BERT モデルの選択とレイテンシと品質のトレードオフは実装に依存します。 Evidence for this claim A rerank model can reorder an existing candidate list by relevance to a query. Scope: Cohere's Rerank product behavior; inputs, limits, and scoring semantics are vendor-specific. Confidence: high · Verified: 2026-07-14 Cohere: Rerank overview

大規模な関連性システムはすべて同じ問題に直面します。最も正確な関連性モデルをコーパス全体に対して実行する余裕はありません。そこで標準的な解決策は、作業を段階に分割することです。Google Cloud自身の検索ドキュメントには、その論理が明確に述べられています：「要するに、検索（retrieval）は関連ドキュメントを見つけることであり、ランキング（ranking）はそれらの検索されたドキュメントを順序付けることです。利用可能なすべてのドキュメントをランキングすることは、計算コストが高くなる可能性があります。したがって、検索とランキングは順番に機能します。」 (Google Cloud, “About retrieval and ranking”)

第一段階 — 検索（retrieval） — は、低コストで広く網を張ります。語彙マッチング（転置インデックス上のBM25）、埋め込みベースのベクトル検索、またはそのハイブリッドを使用し、候補セットを返します。第二段階 — 再ランキング（reranking） — は、その候補リストを受け取り、より高コストで高精度なモデルで各候補を再スコアリングし、並べ替えます。誰もが行き着く一言で言うと：安価に広く検索し、少数のセットに対して正確に再ランキングし、その後提供または生成します。

バイエンコーダー vs クロスエンコーダー：核となる仕組み

このトピック全体は、1つのアーキテクチャ上の違いに依存しています — クエリとドキュメントがいつ出会うか、です。

• バイエンコーダー（第一段階の検索器）。クエリと各ドキュメントを別々にエンコードし、それぞれを独自のベクトルにし、その後コサイン類似度などで2つのベクトルを比較します。ドキュメントベクトルはクエリに依存しないため、事前に計算してインデックス化でき、それが検索をコーパス全体で実行できるほど高速にしている理由です。コスト：クエリとドキュメントが実際には相互作用しないため、モデルは事実上、ドキュメントの可能な意味をすべて単一のベクトルに圧縮する必要があり、ニュアンスが失われます。バイエンコーダーは、埋め込みとベクトル検索が基づいているものです。
• クロスエンコーダー（第二段階の再ランカー）。クエリと1つの候補ドキュメントを一緒に、トランスフォーマーを通した単一の共同入力としてエンコードし、そのペアに対する単一の関連性スコアを出力します。モデルが両方を同時に見るため、クエリの特定の単語がドキュメントの特定の単語とどのように関連するかを直接評価でき、はるかに正確です。コスト：事前計算できるものはありません。すべてのクエリ-ドキュメントペアをクエリ時にモデルに通す必要があるため、インデックス全体に適用するには遅すぎます。それがまさに、候補リストのために予約されている理由です。

Googleは、特筆すべきことに、この正確な仕組みを自らの言葉で説明しています。Google Cloudの検索/ランキングドキュメントでは、リストされている検索シグナルの1つがクロスアテンションであり、*「モデルがクエリとドキュメントの関係を考慮して、ドキュメントに関連性スコアを割り当てることを可能にする」*ものと定義されています。これは、クロスエンコーダーのアイデアを別の名前で呼んだものです。

なぜ正確なモデルをすべてに使わないのか？

レイテンシとコストにより、大規模には実行不可能であり、その差はわずかではなく莫大です。Pineconeの二段階検索に関する記事には、具体的な数字が示されています：4 000万レコードのセットで、BERTスタイルのクロスエンコーダー再ランカーをV100 GPUで全体に実行すると、50時間以上かかるのに対し、ベクトル検索では100ミリ秒未満です。(Pinecone, “Rerankers and Two-Stage Retrieval”) それが二段階設計の正当化のすべてです — クロスエンコーダーの精度の大部分を得ながら、そのコストを数十または数百の候補にのみ支払うのです。

Vectaraは同じ神話を直接的に提示しています——最も正確なモデルが利用可能なら、なぜすべてのドキュメントをそのモデルでスコアリングしないのかという疑問——そして答えも同じです：それはできないので、まず安価にフィルタリングするのです。 (Vectara, “What is reranking and why does it matter?”)

Googleがこれをどう行うか

GoogleはGoogle検索自体について「リランキング」「クロスエンコーダー」「バイエンコーダー」という用語を使った公式声明を一度も発表していません——これは過剰に主張しないよう明確に述べておく価値があります。しかし、その機能は別の名前で文書化されています。

Google自身のGoogle検索ランキングシステムガイドは、リランキングの役割を果たす2つのシステムを挙げています：

• BERT — “an AI system Google uses that allows us to understand how combinations of words express different meanings and intent.” BERTはクエリの単語を文脈の中で共同で読み取ります；BERTベースのリランカーは、クロスエンコーダーと同じようにクエリとドキュメントの関連性をスコアリングします。
• パッセージランキング — “an AI system we use to identify individual sections or ‘passages’ of a web page to better understand how relevant a page is to a search.” これはページレベルではなくパッセージレベルでのリランキングです（詳細はパッセージランキングを参照）。
• RankBrain — Googleの初期のシステムで、“helps us understand how words are related to concepts,” つまり、完全一致の単語がなくても関連するコンテンツを返すことができます。

Google Researchもまた、そのメカニズムを率直に公開しています：その論文Learning-to-Rank with BERT in TF-Rankingは、BERTでクエリとドキュメントをエンコードし、その上に学習-to-ランク層を適用することを説明し、それを明示的にパッセージリランキングとして位置づけています——2020年3月30日時点でのMS MARCOパッセージリランキングタスクでの最高性能を報告しています。これはSearch Centralの製品ガイダンスではなくGoogle Researchの出版物なので、Googleの技術研究として扱い、ライブの検索パイプラインに関する声明とは見なさないでください。

注意すべき数字が1つあります：SEO界で広く流通している「上位1,000件に絞り込んでから並べ替える」という枠組みは、私自身のカンファレンスデッキによる公開研究と特許の解釈に遡ります——現在の、そのままのGoogleのウェブ検索に関する声明ではありません。Google Cloudのエンタープライズ検索製品は具体的なパイプラインを文書化しています（“the model retrieves documents in the order of thousands… The ranking model then orders the retrieved documents and serves the top 400 ranked results”）が、それはVertex AI Search製品であり、Googleウェブ検索ではありません。1 000も400もGoogle検索自体に当てはまると想定しないでください。

Bing/Microsoftがこれをどう行うか

Microsoftははるかに明示的であり、その最も明確なドキュメントは、公式の本番リランカーの説明に最も近いものです。Azure AI Searchのセマンティックランカーは、“a feature that measurably improves search relevance by using Microsoft’s language understanding models to rerank search results”として文書化されています——そして決定的に、“the underlying technology is from Bing and Microsoft Research.”

そのメカニズムは、2段階パターンにきれいにマッピングされます：

• これは “常に、BM25 または Reciprocal Rank Fusion (RRF) でスコアリングされた初期の結果セットに対して二次的なランキングを追加します。” ステージ 1 は BM25 または RRF で、セマンティックランカーはステージ 2 です。
• Microsoft はそのステージを L2 ランキング と呼び、“クエリのコンテキストまたはセマンティックな意味を使用して、事前にランク付けされた結果に対して新しい関連性スコアを計算します。”
• これは候補リストのみを再ランク付けし、コーパス全体は決して再ランク付けしません: “セマンティックランカーができないことは、コーパス全体に対してクエリを再実行することです… セマンティックランキングは、デフォルトのランキングアルゴリズムによってスコアリングされた上位 50 件の結果で構成される既存の結果セットを再ランク付けします。” 50 件を超える結果が返された場合でも、“上位 50 件の結果のみがセマンティックランキングに進みます。”

Bing 自身の 2026 年 5 月のインデックスの進化する役割に関するブログ は、再ランク付けを直接挙げてはいませんが、検索品質が現在、回答サポートの信頼性によって判断されていることを強調しています: “検索システムは、ワンショット検索だけでなく、反復的な使用にわたって一貫性のある再現可能な動作のために最適化する必要があります。“

RAG と AI 検索における再ランク付け

ここが、再ランク付けが AI Overviews、AI Mode、Copilot、ChatGPT Search、Perplexity に最も直接関わる部分です。RAG パイプラインでは、再ランク付けは検索と生成の間の名前付きステージです: コンテンツはチャンク化され、各チャンクは埋め込まれて保存され、クエリはベクトル類似度によって近くのチャンクを取得し、再ランカーがそれらの候補を再スコアリングし、上位の生き残りだけがコンテキストとして LLM に渡されます。再ランカーは、「あなたのパッセージが取得された」と「あなたのパッセージが実際に使用された」の間のゲートです。

そのゲートは厳格になり得ます。AI 検索システムでは、取得されたソースのごく一部だけが通常、再ランクのしきい値を通過して生成ステージに進みます。そのため、候補プールに引き込まれることは参加費であり、引用の保証ではありません。Ahrefs 自身の LLM 検索の最適化に関する調査 が中核的な問題を次のように述べています: “AI 企業は LLM がソースをどのように選択するかを明らかにしないため、その出力にどのように影響を与えるかを知ることは困難です。” 再ランク付けは、その隠された選択ステップの大きな部分を占めています。

再ランク付けと Reciprocal Rank Fusion (RRF) の比較

これらは常に混同されます — それ以外は優れた SEO コンテンツの中でも — そして、それらは同じメカニズムではありません。

• 再ランク付け は、単一のモデル (クロスエンコーダー) で各クエリとドキュメントのペアを共同評価することにより、1 つの 候補プールを再スコアリングします。これは次のように問いかけます: このドキュメントはこのクエリに実際にどの程度関連しているか?
• Reciprocal Rank Fusion (RRF) は、複数の既にランク付けされたリストをマージ します — たとえば、BM25 の結果とベクトル検索の結果、または複数のファンアウト サブクエリの結果 — リスト全体で一貫して表示されるドキュメントに報酬を与えることによって。Ahrefs の Query Fan-Out の説明 は次のように説明しています: ファンアウト クエリはインデックス全体で検索され、“reciprocal rank fusion (RRF) — リスト全体で一貫して表示されるものを報酬を与えることによって、複数の結果リストをスコアリングしてマージする方法 — を使用します。”

両方は同じパイプラインに共存できます — Azure のセマンティックランカーは文字通り BM25 または RRF でランク付けされたセットの上で再ランク付けします — しかし、RRF はリストマージステップ (モデルはコンテンツを読み取らない) であり、再ランク付けはコンテンツスコアリングステップ (モデルがクエリとパッセージを一緒に読み取る) です。1 つの明確化を取り除くなら: RRF はリストを結合し、再ランク付けはコンテンツを再読み取りします。

簡単な歴史: BM25 → RankBrain → BERT → LLM 再ランカー

再ランク付けは新しいものではありません — これは検索が長年使用してきたパターンの現代的な名前です。この一貫した流れは、私の Ahrefs Evolve 2025 の講演 GEO? AEO? LLMO? What’s With All This AI Stuff? で説明しています:

• BM25 / 語彙検索 — 今も一次絞り込みで使われる古典的なキーワード一致スコアリング。
• RankBrain（2016年） — 単語を概念として理解する、Google初の機械学習ランキングシステム。
• BERT / DeepRank（2019年） — 文脈を考慮したパッセージレベルの言語理解。クロスエンコーダー型の再ランキング時代が始まる。
• 現代のLLMベースの再ランカー（RankEmbedやRAG時代のクロスエンコーダー） — ニューラル再ランカーは現在、AI検索において検索と生成の間に位置する。

すべてに共通する形：まず安価で広範な検索、次に高価で精密な少数候補の並べ替え。

コンテンツとSEOへの影響

クロスエンコーダーはクエリとパッセージを共同でスコアリングするため、実際的な影響は、すでにご存じのベストプラクティスを強化するものだ——今度はその背後にあるメカニズムが明確になった：

• 自己完結型のパッセージを書く。 再ランカーは、クエリに対するパッセージを主に単独の価値でスコアリングする。直前の3つの段落の文脈でのみ意味をなすセクションは、完全な回答として読めるものよりもスコアが低くなる。これはパッセージランキングとチャンキングに直接関連する。
• セクションの冒頭付近で、特定の質問に答える。 前置きよりも直接的な回答の方がスコアが高い。先に答えを述べ、その後で詳しく説明する。
• 曖昧さを最小限にする。 代名詞や文脈依存の表現（「前述のとおり」「このアプローチ」など）は、ページの他の場所でしか解決されないため、パッセージを単独でスコアリングするのが難しくなる。物事に名前を付けよう。
• 検索は依然として前提条件。 再ランキングは、検索が渡したものだけを見る。クロールやインデックスができないページ、または検索で取得されないページは、そもそも再ランカーに到達しない。まず発見可能性を修正し、次にパッセージを最適化する。

これはどれもGoogleに提出する設定項目ではない。同じ「明確にし、見つけられるようにする」というアドバイスを、取得されたコンテンツが実際に使われるかどうかを決定する特定の段階——つまり2回目の見直し——に向けたものだ。

AIまとめ

Advancedバージョンの簡潔な見解:

• 再ランキング＝検索パイプラインの第2段階。 第1段階では候補セットを安価かつ広範に取得し（BM25、ベクトル検索、またはハイブリッド）、第2段階では、結果が提供されるかLLMに渡される前に、より低速で精密なモデルでその少数候補を再スコアリングして並べ替える。
• バイエンコーダーとクロスエンコーダーの違いが中核的な仕組み。 バイエンコーダーはクエリとドキュメントを別々にベクトル化して比較する——高速で事前計算可能、精度は低い。これが検索器。クロスエンコーダーはそれらを一緒にエンコードし、ペアごとに1つの関連性スコアを出力する——低速で事前計算不可、精度は高い。これが再ランカー。
• なぜ2段階なのか： 高精度なモデルはコーパス全体に対して実行するには遅すぎる。Pineconeによると、40Mレコードに対するクロスエンコーダーは約50時間以上かかるのに対し、ベクトル検索は100ms未満。安価に検索し、少数候補を再ランキングする。
• Googleは公には「再ランキング」とは言わないが、BERTとパッセージランキングがその役割を果たしており、Google Cloudのドキュメントにはクロスアテンション（クロスエンコーダーの考え方）が記載されている。「上位1,000件を再順序付け」という数字は、研究・特許を解釈したPatrickの資料に由来する——現在のGoogle検索に関する逐語的な声明ではない。
• Bing/Microsoftは明示的な再ランカーを文書化している：Azure AI Searchのセマンティックランカー（L2ランキング）は、BM25またはRRFでランク付けされたセット（上位約50件のみ）を、“Bing and Microsoft Research.” の技術を使用して再ランキングする。
• RAG/AI検索では、再ランキングは「取得された」と「実際に使用された」の間のゲートであり——取得されたソースの一部だけが生成に進む。
• 再ランキング ≠ RRF。 RRFは複数のランク付けされたリストをマージする。再ランキングは、クエリとパッセージを一緒に読んで1つの候補プールを再スコアリングする。しばしば混同されるが、同じではない。
• SEOへの示唆： 再ランカーはクエリとパッセージのペアを共同でスコアリングするため、特定の質問に直接答える自己完結型で曖昧さのないパッセージはスコアが高くなる。検索（クロール可能＋インデックス可能）が依然として前提条件である。

公式ドキュメント

検索およびクラウドプロバイダーからの、検索と再ランキングに関する一次情報のドキュメント。

Google

• 検索とランキングについて（Google Cloud / Vertex AI Search） — 検索→ランキングの分割、クロスアテンションシグナル、上位400件の提供数値（ウェブ検索ではなくエンタープライズ製品向け）に関する、Google公式の最も明確な説明。
• Google 検索ランキング システムのガイド — BERT、パッセージランキング、RankBrain について、Google自身の言葉で説明（検索において再ランキングの役割を担うシステム）。
• TF-Ranking における BERT を用いた Learning-to-Rank（Google Research） — MS MARCO における Google 自身のクロスエンコーダによるパッセージ 再ランキング 研究。

Microsoft / Bing

• セマンティックランキングの概要 — Azure AI Search — Microsoft の最も詳細な公開リランカー ドキュメント: BM25/RRF セットに対する L2 ランキング、上位50件のみ、「Bing と Microsoft Research の技術」。
• セマンティック検索の背後にある科学（Microsoft Research） — セマンティックランカー（BM25 ベース + Transformer 再ランキング）の基盤となる研究。
• インデックスの進化する役割（Bing Search Blog、2026年5月） — 回答システムのための検索信頼性。

ベンダー / RAG リファレンス

• リランカーと2段階検索（Pinecone） — バイエンコーダの情報損失の説明と、50時間対100msのレイテンシーベンチマーク。
• クロスエンコーダをリランカーとして使用する（Weaviate） — 「高速だが精度が低い」対「精度は高いが遅い」という枠組みと、多段階パイプライン。
• リランカーとは何か？（MongoDB） — 定義、検索における役割、RAG の最適化。
• 再ランキングとは何か、なぜ重要か？（Vectara） — 「なぜ高価なモデルをすべてに使わないのか」という疑問。

ソースからの引用

Google と Microsoft からの公式声明。各リンクは、ソースページの引用箇所にジャンプするディープリンクです。

Google Cloud — 検索とランキングの分割

• “In short, retrieval is finding relevant documents, while ranking is ordering those retrieved documents. Ranking all the available documents can be computationally expensive. Therefore, retrieval and ranking work sequentially.” (翻訳) 「要するに、検索は関連ドキュメントを見つけることであり、ランキングは取得したドキュメントを順序付けることです。利用可能なすべてのドキュメントをランキングすることは計算コストが高くなる可能性があります。したがって、検索とランキングは順番に機能します。」 — Google Cloud、「検索とランキングについて」。 引用にジャンプ

Google Search Central — 再ランキングの役割を担うシステム

• “Bidirectional Encoder Representations from Transformers (BERT) is an AI system Google uses…” (翻訳) 「BERT（Bidirectional Encoder Representations from Transformers）は、Google が使用する AI システムです…」 — Google Search Central、「Google 検索ランキング システムのガイド」。 引用にジャンプ
• “Passage ranking is an AI system we use to identify individual sections or ‘passages’ of a web page…” (翻訳) 「パッセージランキングは、ウェブページの個々のセクションまたは「パッセージ」を識別するために使用する AI システムです…」 — Google Search Central、同じガイド。 引用にジャンプ

Microsoft — Bing 由来の明示的なリランカー

• “In Azure AI Search, semantic ranker is a feature that measurably improves search relevance by using Microsoft’s language understanding models to rerank search results.” (翻訳) 「Azure AI Searchにおいて、セマンティックランカーは、Microsoftの言語理解モデルを使用して検索結果を再ランク付けすることで、検索の関連性を測定可能な形で向上させる機能です。」 — Microsoft Learn、「Semantic ranking overview」 引用へジャンプ
• “What semantic ranker can’t do is rerun the query over the entire corpus to find semantically relevant results. Semantic ranking reranks the existing result set, consisting of the top 50 results as scored by the default ranking algorithm.” (翻訳) 「セマンティックランカーができないのは、意味的に関連する結果を見つけるために、コーパス全体に対してクエリを再実行することです。セマンティックランキングは、デフォルトのランキングアルゴリズムによってスコアリングされた上位50件の結果からなる既存の結果セットを再ランク付けします。」 — Microsoft Learn、同じページ。

Bing — 回答システムのための検索

• “Retrieval systems must therefore optimize not just for one-shot retrieval, but for consistent, repeatable behavior across iterative use.” (翻訳) 「したがって、検索システムは、ワンショットの検索だけでなく、反復的な使用にわたる一貫した再現可能な動作のために最適化する必要があります。」 — Krishna Madhavan、Knut Risvik、Meenaz Merchant（Microsoft AI）、Bing Search Blog、2026年5月。 ソースを読む

メンタルモデル

1. 広く取得し、精密に再ランク付けする。 ステージ1は広くて安価なネットを投げ、ステージ2は候補リストを注意深く読みます。AIの回答や検索結果にあなたのページが含まれていない場合、どのステージで除外されたかを尋ねてください。候補セットに取得されなかったのか、それとも取得されたがカットライン以下に再ランク付けされたのか？これらは異なる問題であり、異なる修正方法があります（発見可能性 vs. パッセージの明確さ）。

2. バイエンコーダー vs クロスエンコーダー — 分離 vs 結合。 バイエンコーダーはクエリとドキュメントを別々にエンコードしてベクトルを比較します — 高速、インデックス可能、損失あり。クロスエンコーダーはそれらを一緒にエンコードしてペアをスコアリングします — 低速、正確、事前計算不可。検索は前者を使用し、再ランク付けは後者を使用します。この単一の「分離 vs 結合」の区別が、速度/精度のトレードオフ全体を説明します。

3. 高価なモデルは候補リストでのみ価値を発揮する。 10億ページに対してクロスエンコーダーを実行することはできません（4 000万レコードで50時間以上）。2段階設計が存在するのは、正確なモデルのコストをコーパス全体ではなく、数十または数百の候補に対して支払うためです。その制約こそが、再ランク付けが別のステージである理由です。

4. 再ランク付け ≠ RRF。 Reciprocal Rank Fusionは、複数のランク付けされたリスト（BM25 + ベクトル、またはファンアウトサブクエリ）をマージし、リスト間の一致に報酬を与えます — モデルはあなたのコンテンツを読みません。再ランク付けは、クエリとパッセージを一緒に読んで1つのプールを再スコアリングします。RRFはリストを結合し、再ランク付けはコンテンツを再読み取りします。

5. 同じ機能、異なる名前。 「再ランク付け」はベンダー/MLの語彙です。GoogleはそのバージョンをBERTおよびパッセージランキングと呼び、Microsoftはそのバージョンをセマンティックランカー / L2ランキングと呼びます。Search Centralのドキュメントに単語がないことは、機能がないことを意味しません。

6. コンテンツ決定ルール。 送信する再ランク付けノブはありません。代わりに尋ねてください：このパッセージは、ページの残りに依存せずに、特定の質問に単独で明確に回答していますか？ もしそうなら、クロスエンコーダーがクエリの隣でそれを読んだときに良いスコアを獲得します。周囲のコンテキストが必要な場合は、そうではありません。

再ランク付け — チートシート

一言で言うと 検索の第2段階：提供または生成する前に、取得した候補リストをより低速で正確なモデルで再スコアリングし、再順序付けします。

バイエンコーダー vs クロスエンコーダー

誰が何をするか（名前別）

再ランキング vs RRF

豆知識

• 2段階設計が存在するのは、クロスエンコーダーがコーパス全体には遅すぎるため： ~50時間以上（4 000万件のレコード） vs ベクトル検索の100ms未満（Pinecone）。
• Googleはウェブ検索自体に「再ランキング」「クロスエンコーダー」「バイエンコーダー」を決して公に使用しない — BERTとパッセージランキングが名前付きの同等物である。
• Azureセマンティックランカーは、取得された結果の上位約50件のみを再ランキングし、コーパス全体は対象にしない。
• 「上位1,000件を再順序付け」という数字は、公開研究・特許を読んだPatrickのデッキからのものであり、Google検索の逐語的な声明ではない。

私のページが表示されない — 検索の問題か、再ランキングの問題か？

何かを変更する前に、どのステージが失敗しているかを特定する簡単な方法。再ランキングと検索は異なる問題であり、間違った方を修正しても労力の無駄になる。

開始：ページはそもそもインデックスされているか？

• いいえ → これは両方の上流にあるクロール/インデックスの問題。まずクローリングとインデックス作成を修正する — ページがインデックスに入るまで、検索や再ランキングには到達しない。
• はい → 続行。

そのページは広いクエリに対して（たとえ低くても）ランク付け・取得されているか？

• いいえ、どこにも表示されない → これは検索のミスのように見える：一次検索器が候補セットに引き込んでいない。トピックの関連性、クエリの意味に対する真の一致（埋め込み / セマンティック検索）、および内部リンクと権威性に取り組み、そもそも候補になるようにする。
• はい、表示されるが低い・引用されない → これは再ランキングのミスのように見える：候補リストには入っているが、カットライン以下にスコアリングされている。続行。

関連セクションは、特定のクエリに対する自己完結型の回答として読めるか？

• いいえ — 周囲の文脈に依存し、曖昧な代名詞を使い、回答を埋もれさせている → これが最も効果の高い修正。パッセージを書き直して、ページの残りに依存せず、セクションの冒頭付近で特定の質問に直接答えるようにする（パッセージランキングとチャンキングを参照）。
• はい — すでに明確で直接的な回答になっている → 権威性・競争力で負けている可能性が高い。より強力で権威のある競合ソースがあなたの上に再ランキングされている；そこでのレバーはE-E-A-Tとリンクであり、さらなる書き直しではない。

経験則： まったく表示されない → 検索；表示されるが選ばれない → 再ランキング。 取得されなかったページを修正するためにパッセージを書き直さず、単独で読みにくいパッセージを修正するためにリンクを追いかけないこと。

再ランキングのアンチパターン

この概念を人々が誤解したり誤用したりする一般的な方法。

「取得された」を「完了」とみなすこと。 候補セットに引き込まれることは始まりであり、終わりではありません。リランカーは依然としてあなたをカットラインより上にスコアリングする必要があります。取得（見つけられること）だけを最適化し、パッセージの明確さ（リランクを生き残ること）を無視すると、結果がテーブルに残されたままになります。

リランキングとReciprocal Rank Fusionを混同すること。 RRFは複数のランク付けされたリストをリスト間の一致によってマージします。リランキングは、クエリとパッセージを一緒に読んで1つのプールを再スコアリングします。「RRFに勝つ」コンテンツ（多くのリストに表示される）と「リランキングに勝つ」コンテンツ（最良の回答として読まれる）は同じものではありません。それ以外は良いSEOライティングの多くがこれらを曖昧にしています—そうしないでください。

「上位1,000件→並べ替え」という数字がGoogleウェブ検索に適用されると仮定すること。 その数字は、公開研究と特許に関する私自身のデッキの解釈に由来しています。文書化された「数千件を取得し、上位400件を提供する」パイプラインは、Google Cloudのエンタープライズ検索製品であり、Googleウェブ検索ではありません。メカニズムを引用し、具体的な数字には注意を促してください。

「リランカーのために」コンテンツを小さな断片に切り刻むこと。 リランキングは、完全で自己完結した回答として読まれるパッセージを報酬とします—紙吹雪ではありません。過度な断片化は、パッセージをスコアリング可能にするコンテキストを破壊します。セクションごとに直接的な回答がある明確なH2/H3構造は、それ自体でうまくチャンク化されます。ページを細断する必要はありません。

「Googleが『リランキング』と言わなければ、それは起こっていない」と信じること。 語彙は機能とは異なります。GoogleのBERTとパッセージランキング、そしてMicrosoftのセマンティックランカーは、まさにこの仕事をします。言葉がないことは、メカニズムがないことを意味しません。

クロスエンコーダーがベクトル検索を「置き換える」と考えること。 それらは順次的であり、競合ではありません。クロスエンコーダーはコーパス全体で実行するには遅すぎるため、バイエンコーダー/ベクトル検索がステージ1として依然として必要です。両方が必要です。

自分をテストする：リランキング

リランキングが取得された結果をどのように並べ替えるかに関する5つの簡単な質問。それぞれに回答を選び、確認してください。

時間をかける価値のあるリソース

私の関連する執筆と講演

• GEO? AEO? LLMO? What’s With All This AI Stuff? — リランキングがその中に位置するBM25 → RankBrain → BERT/DeepRank → RankEmbedの系譜に関する私のAhrefs Evolve 2025トーク。(YouTube版。)
• How Search Works (SlideShare) — クロール、レンダリング、インデックス、ランキングのウォークスルー。取得してから並べ替える（「取得後調整」）ステージを含みます。私の常時の免責事項が適用されます：これはこれらのシステムに関する私の理解であり、完全に保証されたり完全に正確な説明ではなく、正確な候補セットの数字は公開研究と特許の私の読みです。

私の講演（より広いAI検索）

• What We Actually Know About Optimizing for LLM Search — 私の研究を使用したAhrefsの記事。AI企業がソースの選択方法（リランキングがその一部であるステップ）についてどれだけほとんど明らかにしていないかを示しています。

業界からの情報

• Rerankers and Two-Stage Retrieval (Pinecone) — bi-encoderの情報損失の説明と、50時間対100msのレイテンシーベンチマーク。
• Using Cross-Encoders as reranker in multistage vector search (Weaviate) — 「高速だが精度が低い」対「正確だが遅い」という明確な枠組み。
• What are Rerankers? (MongoDB) — 定義、検索における役割、そしてリランカーがRAGにどのように適合するか。
• What is reranking and why does it matter? (Vectara) — 「なぜ高価なモデルをすべてに使わないのか」という誤解を解く内容。
• Semantic ranking overview (Microsoft Learn) — 最も明確な公開本番リランカーのドキュメントで、明示的にBingの技術に基づいています。
• AI Search Architecture Deep Dive (Mike King, iPullRank) — クロスエンコーダーリランキングをBing Copilotの推測パイプラインに結び付けます（アーキテクチャの詳細は公式のMicrosoftの声明ではなく、情報に基づいた推測として扱ってください）。
• What is Query Fan-Out? (Despina Gavoyannis, Ahrefs) — リランキングがしばしば混同される隣接するが異なる概念であるReciprocal Rank Fusionを扱っています。
• Query fan-out in AI search: What is it and how does it work? (Search Engine Land) — RRFとファンアウト合成の詳細、曖昧さの解消のために。

変更履歴