Hybrid retrieval (BG)

From Systems analysis Wiki
Jump to navigation Jump to search

Hybrid Retrieval (хибридно извличане) — клас методи за информационно търсене, при които се обединяват лексикални (sparse) и семантични (dense/late‑interaction) сигнали за повишаване на пълнотата и точността на резултатите. Хибридните схеми съчетават предимствата на точното съвпадение на термини (BM25/TF-IDF) и векторната близост (bi‑encoder модели, мултивектори с късно взаимодействие), а също използват устойчиви на разномащабни оценки методи за сливане на класирания (например Reciprocal Rank Fusion, CombSUM/CombMNZ) и преранжиране с кросс‑енкодери.[1][2][3]

Определение и мотивация

Хибридното извличане е паралелно или каскадно търсене по два (и повече) независими канала от сигнали с последващо сливане и/или преранжиране. Типичните мотивации са: (i) преодоляване на „терминологичната пропаст" (синоними, преформулировки), (ii) устойчивост към правописни грешки/морфология, (iii) извличане на специфични кодове/идентификатори (където sparse‑моделът е силен), (iv) пренос към нови домейни/езици (където dense‑моделите осигуряват семантично обобщение).[4][5][6]

Компоненти на хибридното търсене

Лексикален (sparse)

  • Класически модели. TF-IDF и BM25/BM25F — стандартни базови методи върху инвертирани индекси; BM25 е обоснован в вероятностната PRF‑рамка и се използва широко като първи етап на класиране.[7]
  • Обучаеми sparse.
    • SPLADE / SPLADE++/v3. Невронен sparse‑модел, обучаващ разширяване и претегляне на термини чрез MLM‑глава с регуляризация на разредеността; показва силни резултати и добра преносимост (BEIR).[8][9][10]
    • uniCOIL/COIL. Контекстуализирани инвертирани списъци и тяхната опростена версия uniCOIL; съвместими с класически инвертирани индекси.[11]

Семантичен (dense/late‑interaction)

  • Bi‑encoder (единичен вектор). Заявката и документът се кодират от векторни модели, приликата се изчислява чрез dot‑product/MIPS. Примери: DPR,[12] ANCE,[13] Contriever,[14] GTR,[15] E5.[16]
  • Late‑interaction (многовекторен). Моделират съответствия на ниво токен при „късно" взаимодействие: ColBERT/ColBERTv2; компромисът е по‑висока точност при по‑голям индекс/латентност, смекчен от инженерни ускорители (PLAID, WARP).[17][18][19]

Схеми за хибридизация и сливане на класирания

  • Паралелно търсене и обединяване на кандидати. Независимо получаваме списъци с кандидати (sparse и dense) с техните вътрешни оценки; след това — сливане на класиранията.[20]
  • RRF (Reciprocal Rank Fusion). Техника, устойчива на несъпоставими оценки на класиранията, сумираща реципрочните рангове:

RRF(d)=∑i=1m1k+ranki(d), като обикновено k≈60.[21] Поддържа се в промишлени системи (Elasticsearch/OpenSearch) като вграден извличач/процесор.[22][23]

  • CombSUM/CombMNZ и др. Класически функции за „сумиране на оценки" (при необходимост — с нормализация).[24][25][26]
  • Претеглена линейна смес.

S(d)=α⋅Sextsparse(d)+(1−α)⋅Sextdense(d), α∈[0,1]. Изборът на α може да бъде фиксиран или обучаем (по колекция/по заявка).[27]

  • Нормализация на оценките. За CombSUM/CombMNZ често се прилагат min‑max, z‑score и др. за съгласуване на скалите;[28] алтернативно RRF разчита само на рангове.
  • Динамично/адаптивно претегляне. Маршрутизация на заявки (query routing), характеристики на заявката и LTR‑модели за избор/тегло на каналите; съвременни изследвания показват, че простата обучена смес често превъзхожда RRF и е малко чувствителна към нормализацията.[29]

Преранжиране и многоетапни pipeline-и

Хибридните системи обикновено се изграждат като retrieval → fusion → rerank. За преранжиране се използват:

  • Кросс‑енкодери (BERT/T5). Най-точни, но изчислително скъпи: MonoBERT/MonoT5 за преподреждане на топ‑N кандидата.[30][31]
  • Late‑interaction като преранжиращ модел. Семейството ColBERT може да изпълнява и ролята на преранжиращ модел; съвременните ускорители (PLAID, WARP) намаляват латентността без загуба на качество.[32][33]

Компромисът качество ↔ латентност/стоимост е особено важен при RAG и строги SLA (вж. опашкови закъснения p95/p99).[34]

Оценка на benchmark-и

  • BEIR. Унифициран набор от разнородни колекции/задачи за zero‑/out‑of‑domain оценка на извличащи модели (напр. TREC‑COVID, NFCorpus, NQ, HotpotQA, FiQA‑2018, DBPedia‑entity, ArguAna, Webis‑Touché‑2020, FEVER/Climate‑FEVER, Scidocs, SciFact, CQADupStack и др.).[35]
  • TREC Deep Learning / MS MARCO. Класически ресурси за обучение/оценка на извличащи модели и преранжиращи компоненти в режим на големи данни.[36][37][38]
  • Метрики за качество. nDCG@k, Recall@k, MRR; за производителност — latency p50/p95/p99, QPS; за експлоатация — памет/стойност (CPU/GPU, индекс).[39][40]
  • Аблации. Препоръчва се фиксиране на приноса на всеки канал/тегло и чувствителността към параметрите k в RRF и α при смесване; оценяване на устойчивостта към преформулировки и OOD‑отклонения.[41][42]

Инженерни аспекти и production‑практики

  • Индекси и ANN. FAISS (Flat/HNSW/IVF‑PQ), HNSW, ScaNN за MIPS/косинусна близост.[43][44][45]
  • IR стек. Lucene/Anserini/Pyserini за sparse/dense и хибридни pipeline‑и; лесно възпроизводимост на BEIR.[46][47]
  • Векторни бази данни и търсещи системи. Qdrant, Weaviate, pgvector/PostgreSQL, Vespa, Elasticsearch/OpenSearch разполагат с нативни режими на хибридно търсене (BM25F+vector) и/или RRF/линейно смесване.[48][49][50][51][52]
  • RAG‑шаблон. Архитектура: retrieval → fusion → rerank → контекст на LLM с ограничение на токените и проследяване на източници.[53]
  • Обновяване на индекси, дедупликация, токенизация. Важно е да се съгласува токенизацията между BM25 и векторизатора; калибриране на оценките (нормализация/мащабиране) преди смесване.[54]

Ограничения и открити въпроси

  • Преносимост и многоезичност. Dense‑моделите (GTR/E5) подобряват преноса, но са чувствителни към домейн/език; sparse‑моделите (SPLADE) често са по‑устойчиви при OOD.[55][56]
  • Интеграция с LLM и халюцинации. Хибридното извличане намалява пропуските и шума в контекстите на RAG, но не елиминира напълно халюцинациите; необходими са строги преранжиращи компоненти и филтриране на източници.[57]
  • Стойност и поверителност. Съхранение на multi‑vector индекси, компресия, криптиране и on‑prem стек; оценка на TCO.
  • Тенденции. HyDE/doc2query/PRF като разширяване на документи/заявки;[58][59] обучение на смесване (per‑query α), по‑ефективни late‑interaction модели (PLAID/WARP), дълги документи и многовекторни индекси.[60][61]

Сравнителна таблица на методите

Към 2025‑09‑10 (пример върху колекцията BEIR trec‑covid; nDCG@10 / Recall@100):[62]

Сравнение на методите върху trec‑covid
Метод Тип (sparse/dense/hybrid) Идея/модел Схема на сливане Преранжиращ компонент nDCG@10 / R@100 Латентност (отн.) Източници
BM25 sparse Точно съвпадение на термини (PRF/BM25) — — 0.595 / 0.109 много ниска [63][64]
SPLADE++ (ED) sparse (learned) Разредено разширяване/претегляне на термини — — 0.727 / 0.128 ниска–средна [65][66]
Contriever (MS MARCO FT) dense Bi‑encoder с контрастивно обучение — — 0.596 / 0.091 средна [67][68]
BGE‑base‑en‑v1.5 dense Силен универсален embedding модел — — 0.781 / 0.141 средна [69]
Cohere embed‑english‑v3.0 dense Промишлен модел за текстови embedding‑и — — 0.818 / 0.159 средна [70]
BM25 + dense (пример: BM25+BGE) hybrid Паралелно извличане + сливане на списъци RRF (k≈60) или претеглена смес опц.: MonoT5/ColBERT (варира според реализацията; обикновено > най‑добрия единичен канал) средна [71][72][73]

Забележка: последният ред илюстрира схемата; точните числа зависят от избора на embedding модел, нормализацията и параметрите на сливане (вж. източници и възпроизводими скриптове на Pyserini).

Литература

  • Manning, C.D., Raghavan, P., Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press. ISBN 978‑0521865715.
  • Robertson, S., Zaragoza, H. (2009). The Probabilistic Relevance Framework: BM25 and Beyond. Foundations and Trends in Information Retrieval 3(4):333–389. DOI:10.1561/1500000019.
  • Lin, J. et al. (2021). Pyserini: A Python Toolkit for Reproducible IR. SIGIR.
  • Järvelин, K., Kekäläinen, J. (2002). Cumulated Gain‑Based Evaluation of IR Techniques. Information Retrieval 6:241–256. DOI:10.1023/A:1016043826386.
  • Dean, J., Barroso, L.A. (2013). The Tail at Scale. CACM 56(2):74–80. DOI:10.1145/2408776.2408794.

Препратки

  • Pyserini / Anserini: github.com/castorini/pyserini • github.com/castorini/anserini
  • FAISS: arXiv:1702.08734
  • Weaviate (Hybrid search): docs.weaviate.io/weaviate/search/hybrid
  • pgvector: github.com/pgvector/pgvector
  • Vespa (Hybrid search tutorial): docs.vespa.ai/en/tutorials/hybrid-search.html

Бележки

  1. ↑ Robertson, S., Zaragoza, H. (2009). The Probabilistic Relevance Framework: BM25 and Beyond. Foundations and Trends in Information Retrieval, 3(4), 333–389. DOI:10.1561/1500000019.
  2. ↑ Cormack, G.V., Clarke, C.L.A., Büttcher, S. (2009). Reciprocal Rank Fusion Outperforms Condorcet and Individual Rank Learning Methods. SIGIR 2009, 758–759. PDF.
  3. ↑ Bruch, S., Gai, S., Ingber, A. (2023). An Analysis of Fusion Functions for Hybrid Retrieval. ACM TOIS 42(1):1–35. DOI:10.1145/3596512 • arXiv:2210.11934.
  4. ↑ Manning, C.D., Raghavan, P., Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press. ISBN 978‑0521865715 (см. главы о TF‑IDF, оценке и проблеме vocabulary mismatch).
  5. ↑ Izacard, G. et al. (2022). Unsupervised Dense Information Retrieval with Contrastive Learning (Contriever). TACL 10:1089–1108. arXiv:2112.09118.
  6. ↑ Wang, L. et al. (2022/2024). Text Embeddings by Weakly‑Supervised Contrastive Pre‑training (E5). arXiv:2212.03533.
  7. ↑ Robertson, S., Zaragoza, H. (2009). The Probabilistic Relevance Framework: BM25 and Beyond. DOI:10.1561/1500000019.
  8. ↑ Formal, T., Piwowarski, B., Clinchant, S. (2021). SPLADE: Sparse Lexical and Expansion Model for First Stage Ranking. arXiv:2107.05720.
  9. ↑ Formal, T. et al. (2022). Making Sparse Neural IR Models More Effective. Findings of EMNLP. arXiv:2205.04733.
  10. ↑ Formal, T. et al. (2024). SPLADE‑v3: New baselines for SPLADE. arXiv:2403.06789.
  11. ↑ Lin, J., Ma, X. (2021). A Few Brief Notes on DeepImpact, COIL, and uniCOIL. arXiv:2106.14807.
  12. ↑ Karpukhin, V. et al. (2020). Dense Passage Retrieval for Open‑Domain QA. EMNLP. arXiv:2004.04906.
  13. ↑ Xiong, L. et al. (2021). Approximate Nearest Neighbor Negative Contrastive Learning for Dense Text Retrieval (ANCE). ICLR. arXiv:2007.00808.
  14. ↑ Izacard, G. et al. (2022). TACL. arXiv:2112.09118.
  15. ↑ Ni, J. et al. (2021/2022). Large Dual Encoders Are Generalizable Retrievers (GTR). EMNLP. arXiv:2112.07899.
  16. ↑ Wang, L. et al. (2022/2024). arXiv:2212.03533.
  17. ↑ Khattab, O., Zaharia, M. (2020). ColBERT: Efficient and Effective Passage Search via Contextualized Late Interaction over BERT. SIGIR. arXiv:2004.12832.
  18. ↑ Santhanam, K. et al. (2022). ColBERTv2 & PLAID. NAACL/ArXiv. arXiv:2112.01488; arXiv:2205.09707.
  19. ↑ Scheerer, J.L. et al. (2025). WARP: An Efficient Engine for Multi‑Vector Retrieval. arXiv:2501.17788.
  20. ↑ Lin, J. et al. (2021). Pyserini: A Python Toolkit for Reproducible IR with Sparse and Dense Representations. SIGIR. PDF.
  21. ↑ Cormack, G.V., Clarke, C.L.A., Büttcher, S. (2009). SIGIR. PDF.
  22. ↑ Elastic Docs. Reciprocal Rank Fusion. (доступ 2025‑09‑10). elastic.co/docs/.../reciprocal-rank-fusion.
  23. ↑ OpenSearch Docs. Score ranker processor (RRF). (доступ 2025‑09‑10). docs.opensearch.org/.../score-ranker-processor/.
  24. ↑ Fox, E.A., Shaw, J.A. (1994). Combination of Multiple Searches. TREC‑2, NIST SP 500‑215, 243–252. PDF.
  25. ↑ Lee, J.H. (1997). Analyses of Multiple Evidence Combination. SIGIR, 267–276. DOI:10.1145/258525.258587.
  26. ↑ Hsu, D.F., Taksa, I. (2005). Comparing Rank and Score Combination Methods for Data Fusion in IR. (Tech. report). PDF.
  27. ↑ Bruch, S., Gai, S., Ingber, A. (2023). TOIS. DOI:10.1145/3596512.
  28. ↑ Hsu, D.F., Taksa, I. (2005). см. выше.
  29. ↑ Bruch, S., Gai, S., Ingber, A. (2023). TOIS. DOI:10.1145/3596512.
  30. ↑ Nogueira, R., Cho, K. (2019). Passage Re‑ranking with BERT. arXiv:1901.04085.
  31. ↑ Nogueira, R., Jiang, Z., Lin, J. (2020). Document Ranking with a Pretrained Sequence‑to‑Sequence Model (MonoT5). Findings of EMNLP. arXiv:2003.06713.
  32. ↑ Santhanam, K. et al. (2022). arXiv:2205.09707.
  33. ↑ Scheerer, J.L. et al. (2025). arXiv:2501.17788.
  34. ↑ Dean, J., Barroso, L.A. (2013). The Tail at Scale. CACM 56(2):74–80. DOI:10.1145/2408776.2408794.
  35. ↑ Thakur, N. et al. (2021). BEIR: A Heterogeneous Benchmark for Zero‑shot Evaluation of IR Models. NeurIPS Datasets & Benchmarks. arXiv:2104.08663.
  36. ↑ Craswell, N. et al. (2020). Overview of the TREC 2019 Deep Learning Track. arXiv:2003.07820.
  37. ↑ Craswell, N. et al. (2021). Overview of the TREC 2020 Deep Learning Track. arXiv:2102.07662.
  38. ↑ Bajaj, P. et al. (2016). MS MARCO: A Human Generated MAchine Reading COmprehension Dataset. arXiv:1611.09268.
  39. ↑ Järvelin, K., Kekäläinen, J. (2002). Cumulated Gain‑Based Evaluation of IR Techniques. Information Retrieval 6:241–256. DOI:10.1023/A:1016043826386.
  40. ↑ Dean, J., Barroso, L.A. (2013). CACM. DOI:10.1145/2408776.2408794.
  41. ↑ Bruch, S. et al. (2023). DOI:10.1145/3596512.
  42. ↑ Ni, J. et al. (2021/2022). arXiv:2112.07899.
  43. ↑ Johnson, J., Douze, M., Jégou, H. (2017). Billion‑scale Similarity Search with GPUs (FAISS). arXiv:1702.08734.
  44. ↑ Malkov, Y., Yashunin, D. (2020). HNSW. IEEE TPAMI 42(4):824–836. DOI:10.1109/TPAMI.2018.2889473.
  45. ↑ Guo, R. et al. (2020). ScaNN: Efficient Vector Similarity Search at Scale. arXiv:1908.10396.
  46. ↑ Yang, P., Fang, H., Lin, J. (2018). Anserini: Reproducible IR Research with Lucene. JDIQ 10(4):1–20. DOI:10.1145/3239571.
  47. ↑ Lin, J. et al. (2021). SIGIR. PDF.
  48. ↑ Qdrant Docs. Hybrid queries (RRF, DBSF). (доступ 2025‑09‑10). qdrant.tech/.../hybrid-queries/.
  49. ↑ Weaviate Docs. Hybrid search. (доступ 2025‑09‑10). docs.weaviate.io/weaviate/search/hybrid.
  50. ↑ pgvector GitHub. (доступ 2025‑09‑10). github.com/pgvector/pgvector.
  51. ↑ Vespa Docs. Hybrid Text Search Tutorial. (доступ 2025‑09‑10). docs.vespa.ai/.../hybrid-search.html.
  52. ↑ Elastic Docs. Reciprocal Rank Fusion. (доступ 2025‑09‑10). elastic.co/docs/.../rrf.
  53. ↑ Lewis, P. et al. (2020). Retrieval‑Augmented Generation for Knowledge‑Intensive NLP Tasks. NeurIPS. arXiv:2005.11401.
  54. ↑ Hsu, D.F., Taksa, I. (2005). см. выше.
  55. ↑ Ni, J. et al. (2021/2022). arXiv:2112.07899.
  56. ↑ Formal, T. et al. (2021, 2022, 2024). arXiv:2107.05720; 2205.04733; 2403.06789.
  57. ↑ Lewis, P. et al. (2020). arXiv:2005.11401.
  58. ↑ Gao, L. et al. (2023). Precise Zero‑Shot Dense Retrieval without Relevance Labels (HyDE). ACL. arXiv:2212.10496.
  59. ↑ Nogueira, R. et al. (2019). Document Expansion by Query Prediction. arXiv:1904.08375; docTTTTTquery. PDF.
  60. ↑ Santhanam, K. et al. (2022). arXiv:2205.09707.
  61. ↑ Scheerer, J.L. et al. (2025). arXiv:2501.17788.
  62. ↑ Pyserini BEIR Regressions (доступ 2025‑09‑10): результаты по trec‑covid для BM25/SPLADE/Contriever/BGE/Cohere. castorini.github.io/pyserini/2cr/beir.html.
  63. ↑ Robertson, S., Zaragoza, H. (2009). DOI:10.1561/1500000019.
  64. ↑ Pyserini BEIR. См. ссылку выше.
  65. ↑ Formal, T. et al. (2021, 2022). arXiv:2107.05720; 2205.04733.
  66. ↑ Pyserini BEIR.
  67. ↑ Izacard, G. et al. (2022). arXiv:2112.09118.
  68. ↑ Pyserini BEIR.
  69. ↑ Pyserini BEIR.
  70. ↑ Pyserini BEIR.
  71. ↑ Cormack et al. (2009). SIGIR. RRF.
  72. ↑ Bruch et al. (2023). TOIS.
  73. ↑ Elastic/OpenSearch RRF Docs.
Retrieved from "https://systems-analysis.info/int/index.php?title=Hybrid_retrieval_(BG)&oldid=3079"