近似匹配结果应弱化排序权重，精确匹配优先呈现
别名: 模糊降权 · exact-first ranking · 精确优先
概念解释
模糊命中扩大了候选集，但不该和精确命中平起平坐。精确优先、模糊降权（exact-first, downweighted approximate matches）要求排序先保证「词项完全一致」的对象占据可见的前部，近似命中排在后面，或带更低的匹配分数。用户键入的是 java，标题里真有 Java 的文档应压过标题里只有 JavaScript 或 lava 的模糊邻居。容错的职责是「别让目标消失」，不是「让邻居和目标抢首屏」。
降权是排序政策，不是把模糊关掉。候选可以进入集合，只是进入可见位置的门槛更高。
机制
人把排在前面的结果当成「系统认为最像我这句话的东西」。若第一屏被编辑距离邻居占满，这句话会被重新解释成邻居的那个词，原查询在工作记忆里动摇，后续改写会朝错误方向走。精确命中是查询与文档在词项上的重合，证据最硬；模糊命中是「可能是同一个词」的软证据，强度随距离、词长、通道而下降，理应在分数里打折。
检索模型若把模糊展开的词项与原词项赋相同的 tf 或同等的 BM25 贡献，等于声称一次敲错和一次精确使用携带同样的相关性。这在统计上不成立：精确形式的出现更像有意提及。打折（距离越大权重越小、精确有独立的高档位）是把证据强度写回排序，而不是事后用界面补救。
怎么研究
在同时存在精确命中与模糊邻居的查询上看前十的构成。
- 范式：构造查询，使目标文档精确匹配、若干诱饵文档仅模糊匹配且在其他特征上更强（更短、更新、点击更多）。比较「模糊与精确同分」与「精确档位优先 / 按距离衰减」。TREC 风格的 nDCG 要配合「第一精确命中的位次」一起报。
- 自变量：是否设精确档、衰减函数（阶跃 / 按距离线性）、诱饵的非匹配优势有多大。
- 因变量：第一精确命中的排名、诱饵进入前三的比例、用户是否改写查询去迁就排在前面的邻居。
- 方法论注意点：若测试集里精确命中很少，降权看起来像伤害召回。分层：有精确命中时看精确是否在前；无精确命中时看模糊是否仍能把目标抬进前十。两份数字回答的是不同问题。
边界
查询本身就是罕见拼写、库里没有精确命中时，降权不应把仅有的模糊目标压到第二页——没有精确档可优先。召回导向的内部工具（e-discovery、日志取证）有时要先看所有邻居，精确优先会藏证据；这类工具应提供「按匹配类型排序」的显式档位，而不是偷偷把模糊抬到与精确同权。语音查询的「精确」不可靠，降权政策要改用语音置信，而不是字符全等。
怎么落地
- 排序里把精确词项命中设为高于任何模糊命中的档位；模糊分按编辑距离或相似度衰减。
- 同一文档既有精确又有模糊时，按精确计，不要被模糊展开稀释。
- 结果上可用极轻的标记区分「精确」与「相近」，但不要靠标记代替降权——标记救不了已经被挤出首屏的精确命中。
- 验证：选一条库里同时存在精确目标和强模糊诱饵的查询。精确目标应在诱饵之前。对调政策后若诱饵升到第一、人开始改写查询去迁就诱饵，降权没有生效。