当前位置：首页 > news >正文

Lychee-Rerank实操手册：将评分结果导出为CSV/JSON并接入BI可视化看板

news 2026/8/8 1:40:54

Lychee-Rerank实操手册：将评分结果导出为CSV/JSON并接入BI可视化看板

1. 工具简介与核心价值

Lychee-Rerank是一个基于Qwen2.5-1.5B模型的本地检索相关性评分工具，专门用于评估查询语句与文档内容之间的匹配程度。这个工具的最大特点是完全本地运行，不需要网络连接，确保数据隐私安全，同时提供直观的可视化评分结果。

在实际应用中，我们经常需要将评分结果进行进一步分析和展示。本文将重点介绍如何将Lychee-Rerank的评分结果导出为CSV和JSON格式，并接入常见的BI可视化工具，帮助你构建完整的数据分析流程。

为什么需要导出和可视化？

长期保存评分结果，便于后续分析和对比
与其他数据源整合，进行更全面的分析
通过可视化发现评分模式和趋势
制作专业的分析报告和看板

2. 环境准备与工具启动

2.1 基础环境要求

确保你的系统满足以下要求：

Python 3.8或更高版本
至少8GB内存（推荐16GB）
足够的存储空间存放模型文件（约3GB）

2.2 安装与启动

通过以下命令快速启动Lychee-Rerank：

# 克隆项目仓库 git clone https://github.com/your-repo/lychee-rerank.git cd lychee-rerank # 安装依赖 pip install -r requirements.txt # 启动应用 streamlit run app.py

启动成功后，控制台会显示访问地址（通常是http://localhost:8501），在浏览器中打开即可使用评分工具。

3. 基础评分操作指南

3.1 输入配置说明

在使用评分功能前，需要配置三个核心参数：

指令（Instruction）：定义评分规则，默认是"基于查询检索相关文档"，你可以根据具体场景自定义指令。

查询语句（Query）：输入你想要匹配的关键词或问题，例如："人工智能的发展趋势"或"What is machine learning?"

候选文档集：每行输入一个待评分的文档内容，支持批量输入。系统默认提供了5条测试文档，你可以清空后输入自己的内容。

3.2 执行评分与查看结果

点击"🚀 计算相关性分数"按钮后，系统会开始处理所有文档。处理过程中可以看到实时进度，完成后右侧会显示评分结果。

结果展示特点：

按分数从高到低排序（最相关的排在前面）
分数保留6位小数，精确度高
颜色编码：绿色(>0.8)、橙色(0.4-0.8)、红色(<0.4)
进度条直观显示分数占比
文档内容以代码块形式清晰展示

4. 结果导出为结构化数据

4.1 导出为CSV格式

CSV格式适合在Excel、数据库或各种分析工具中使用。以下是导出步骤：

import pandas as pd import json def export_to_csv(results, filename="rerank_results.csv"): """ 将评分结果导出为CSV文件 参数: results: 评分结果列表 filename: 输出文件名 """ # 构建数据框 df = pd.DataFrame({ 'rank': [i+1 for i in range(len(results))], 'score': [result['score'] for result in results], 'document': [result['document'] for result in results], 'color_category': ['high' if score > 0.8 else 'medium' if score > 0.4 else 'low' for score in [result['score'] for result in results]] }) # 保存为CSV df.to_csv(filename, index=False, encoding='utf-8') print(f"结果已导出到 {filename}")

导出的CSV文件包含以下列：

rank: 排名（从1开始）
score: 相关性分数（0-1之间）
document: 文档内容
color_category: 颜色分类（high/medium/low）

4.2 导出为JSON格式

JSON格式适合在Web应用或API中使用，保持数据结构完整性：

def export_to_json(results, filename="rerank_results.json"): """ 将评分结果导出为JSON文件 参数: results: 评分结果列表 filename: 输出文件名 """ # 构建结构化数据 output_data = { "metadata": { "export_time": pd.Timestamp.now().isoformat(), "total_documents": len(results), "average_score": sum([result['score'] for result in results]) / len(results) }, "results": [ { "rank": i+1, "score": result['score'], "document": result['document'], "relevance_category": "high" if result['score'] > 0.8 else "medium" if result['score'] > 0.4 else "low" } for i, result in enumerate(results) ] } # 保存为JSON with open(filename, 'w', encoding='utf-8') as f: json.dump(output_data, f, ensure_ascii=False, indent=2) print(f"结果已导出到 {filename}")

JSON文件包含更丰富的信息，包括元数据和每个结果的详细属性。

5. 接入BI可视化看板

5.1 使用Excel/Power BI可视化

Excel操作步骤：

导入CSV文件到Excel
使用条件格式为分数列添加颜色梯度
创建柱状图展示分数分布
使用筛选器按分类查看结果

Power BI操作步骤：

# 生成Power BI友好的数据格式 def prepare_powerbi_data(results): """准备用于Power BI的数据""" df = pd.DataFrame(results) df['rank'] = range(1, len(results)+1) df['relevance_level'] = pd.cut(df['score'], bins=[0, 0.4, 0.8, 1], labels=['low', 'medium', 'high']) return df

在Power BI中，你可以：

创建分数分布直方图
制作排名变化趋势图
建立文档内容关键词云图
设置交互式筛选器

5.2 使用Tableau可视化

Tableau能够提供更专业的可视化效果：

连接数据源：直接连接CSV文件或通过JSON连接器
创建基础视图：
- 分数分布直方图
- 排名条形图
- 分类饼图
添加交互元素：
- 参数控制筛选器
- 悬停提示显示文档内容
- 动态筛选器

5.3 自定义Web可视化

如果你需要嵌入到Web应用中，可以使用ECharts或D3.js：

// 使用ECharts创建分数分布图 function createScoreChart(data) { const chart = echarts.init(document.getElementById('chart-container')); const option = { title: { text: '相关性分数分布' }, tooltip: {}, xAxis: { type: 'category', data: data.map(d => `文档${d.rank}`) }, yAxis: { type: 'value', min: 0, max: 1 }, series: [{ data: data.map(d => ({ value: d.score, itemStyle: { color: d.score > 0.8 ? '#4caf50' : d.score > 0.4 ? '#ff9800' : '#f44336' } })), type: 'bar' }] }; chart.setOption(option); }

6. 实际应用案例

6.1 电商产品搜索优化

某电商平台使用Lychee-Rerank评估用户查询与产品描述的匹配度：

# 模拟电商搜索场景 queries = ["轻薄笔记本电脑", "游戏手机", "家用打印机"] product_descriptions = [ "华为MateBook X Pro 13.9英寸轻薄笔记本...", "iPhone 15 Pro Max 6.7英寸智能手机...", "联想拯救者Y9000P游戏笔记本...", # ...更多产品描述 ] # 批量处理并导出结果 for query in queries: results = lychee_rerank_score(query, product_descriptions) export_to_csv(results, f"电商搜索_{query}_结果.csv")

通过分析导出的数据，他们发现：