代码：https://github.com/AllminerLab/Code-for-KAERR-master摘要双向推荐系统（RRS）在线上相亲和求职招聘等在线平台中得到了广泛的应用。它们可以同时满足推荐过程中涉及的两方的需求。由于任务本身的特性，与其他推荐任务相比，交互数据相对稀疏。现有的工作主要通过基于内容的推荐方法来解决这个问题。然而，这些方法通常从统一的角度隐式地对文本信息进行建模，这使得捕捉每一方持有的不同意图变得具有挑战性，进一步导致性能有限和缺乏解释性。在本文中，我们提出了一个知识感知的可解释双向推荐系统（Knowledge-AwareExplainableReciprocal

警告：此功能处于技术预览阶段，可能会在未来版本中更改或删除。Elastic将尽最大努力修复任何问题，但技术预览中的功能不受官方GA功能的支持SLA约束。倒数排序融合（RRF）是一种将具有不同相关性指标的多个结果集组合成单个结果集的方法。RRF无需调优，不同的相关性指标也不必相互关联即可获得高质量的结果。该方法的优势在于不利用相关分数，而仅靠排名计算。相关分数存在的问题在于不同模型的分数范围差。使用ReciprocalRankFusion(RRF)的简化混合搜索通常，最好的排名是通过组合多种排名方法来实现的，例如BM25和生成密集向量嵌入的ML模型。在实践中，将结果集组合成一个单一的组合相关性排