Reciprocal Rank Fusion

La Reciprocal Rank Fusion (RRF, ou fusion par rang réciproque) est une méthode mathématique simple pour combiner plusieurs classements en un seul. Décrite en 2009 par des chercheurs de l’université de Waterloo, elle s’est imposée dans les moteurs de recherche d’entreprise, notamment pour la recherche hybride, qui mélange résultats par mots-clés et résultats sémantiques. Sa particularité : elle ignore les scores bruts de chaque classement et ne regarde que les positions. Inutile donc de comparer des notes calculées de façons incompatibles.

Pourquoi un marketeur devrait s’y intéresser : les moteurs génératifs lancent plusieurs recherches pour une même question, c’est le query fan-out, et doivent ensuite fusionner les résultats. Leurs méthodes exactes ne sont pas publiques, mais la RRF illustre bien la logique de ces fusions : une page présente dans plusieurs listes l’emporte souvent sur une page excellente dans une seule.

Comment se calcule la Reciprocal Rank Fusion

Pour chaque document, on additionne, sur toutes les listes où il apparaît, la valeur 1 / (k + rang). La constante k, fixée à 60 dans l’article d’origine et souvent conservée par défaut, atténue l’écart entre les toutes premières places : avec k = 60, la première position vaut 1/61 et la deuxième 1/62, des valeurs très proches. Un document absent d’une liste n’y gagne rien. La somme obtenue donne le classement final.

Exemple concret avec trois sous-requêtes

Prenons une question décomposée en trois sous-requêtes, avec k = 60 :

• la page A est première sur la sous-requête 1 et absente des deux autres : 1/61, soit environ 0,0164 ;
• la page B est deuxième sur les sous-requêtes 1 et 2 : 2/62, soit environ 0,0323 ;
• la page C est quatrième sur les trois sous-requêtes : 3/64, soit environ 0,0469.

Classement final : C, puis B, puis A. La page qui n’a jamais été première arrive en tête, avec un score près de trois fois supérieur à celui de la page qui dominait une seule recherche. C’est le raisonnement qu’on applique en GEO : la régularité sur toutes les facettes d’un sujet pèse plus qu’une position isolée sur la page de résultats d’un mot-clé.

Les contresens fréquents sur la RRF

• Présenter la RRF comme l’algorithme de Google ou de ChatGPT. Rien ne l’établit publiquement : c’est un modèle de raisonnement, pas une recette confirmée.
• La confondre avec le reclassement par un modèle d’IA. La RRF fusionne des listes ; un reranker, souvent appliqué ensuite, relit les contenus pour les réordonner.
• Croire qu’une valeur de k est universelle. C’est un réglage : plus k est petit, plus les premières places sont avantagées.
• Penser qu’une excellente position compense une absence. Être hors des résultats d’une sous-requête revient à ne marquer aucun point sur celle-ci.

Ce qu’on en tire en pratique

Côté contenu, mesurez votre présence sur un groupe de requêtes liées plutôt que sur une seule : dans la Search Console, regroupez les requêtes d’une thématique et suivez la part de celles où vous êtes dans le top 10. Côté technique, si vous construisez un moteur interne ou un assistant fondé sur une architecture RAG, la RRF est proposée nativement par plusieurs moteurs, dont Elasticsearch, pour combiner une recherche lexicale et une recherche par embeddings sans calibrage complexe des scores.