Hybrid retrieval (CS)

From Systems analysis Wiki
Jump to navigation Jump to search

Hybrid Retrieval (hybridní retrieval) — třída metod informačního vyhledávání, v nichž jsou kombinovány lexikální (sparse) a sémantické (dense/late‑interaction) signály za účelem zvýšení úplnosti a přesnosti výsledků. Hybridní schémata spojují výhody přesné shody termínů (BM25/TF-IDF) a vektorové podobnosti (bi-enkodéry, multivektorové modely s pozdní interakcí), a dále využívají metody slučování pořadí odolné vůči různě škálovaným skóre (např. Reciprocal Rank Fusion, CombSUM/CombMNZ) a přeřazování pomocí cross-enkodérů.[1][2][3]

Definice a motivace

Hybridní retrieval je paralelní nebo kaskádové vyhledávání ve dvou (a více) nezávislých kanálech signálů s následným slučováním a/nebo přeřazováním. Typické motivace: (i) překonání „terminologické mezery" (synonyma, přeformulace), (ii) odolnost vůči překlepům/morfologii, (iii) extrakce specifických kódů/identifikátorů (kde je sparse‑model silný), (iv) přenos na nové domény/jazyky (kde dense‑modely poskytují sémantickou generalizaci).[4][5][6]

Komponenty hybridního vyhledávání

Lexikální (sparse)

  • Klasické modely. TF-IDF a BM25/BM25F — standardní základní metody na invertovaných indexech; BM25 je odůvodněn v pravděpodobnostním PRF‑rámci a široce využíván v první fázi řazení.[7]
  • Trénované sparse modely.
    • SPLADE / SPLADE++/v3. Neuro-sparse model, který trénuje rozšíření a vážení termínů pomocí MLM‑hlavy s regularizací řídkosti; vykazuje silné výsledky a dobrou přenositelnost (BEIR).[8][9][10]
    • uniCOIL/COIL. Kontextualizované invertované seznamy a jejich zjednodušená verze uniCOIL; kompatibilní s klasickými invertovanými indexy.[11]

Sémantický (dense/late‑interaction)

  • Bi‑encoder (single‑vector). Dotaz a dokument jsou kódovány vektorovými modely, podobnost je měřena pomocí dot‑product/MIPS. Příklady: DPR,[12] ANCE,[13] Contriever,[14] GTR,[15] E5.[16]
  • Late‑interaction (multi‑vector). Modelují korespondence na úrovni tokenů při „pozdní" interakci: ColBERT/ColBERTv2; kompromis — lepší přesnost za cenu většího indexu/latence, zmírněný inženýrskými nástroji (PLAID, WARP).[17][18][19]

Schémata hybridizace a slučování pořadí

  • Paralelní vyhledávání a sloučení kandidátů. Nezávisle získáváme seznamy kandidátů (sparse a dense) s jejich interními skóre; následuje slučování pořadí.[20]
  • RRF (Reciprocal Rank Fusion). Technika odolná vůči nesrovnatelným skóre pořadí, která sčítá převrácené pořadí:

RRF(d)=∑i=1m1k+ranki(d), kde obvykle k≈60.[21] Podporována v průmyslových vyhledávačích (Elasticsearch/OpenSearch) jako vestavěný retriever/procesor.[22][23]

  • CombSUM/CombMNZ a další. Klasické funkce „součtu skóre" (v případě potřeby s normalizací).[24][25][26]
  • Vážená lineární kombinace.

S(d)=α⋅Sextsparse(d)+(1−α)⋅Sextdense(d), α∈[0,1]. Volba α může být pevná nebo trénovaná (podle kolekce/podle dotazu).[27]

  • Normalizace skóre. Pro CombSUM/CombMNZ se často používá min‑max, z‑score aj. pro sladění škál;[28] alternativně RRF pracuje pouze s pořadím.
  • Dynamické/adaptivní vážení. Směrování dotazů (query routing), příznaky dotazu a LTR‑modely pro výběr/váhu kanálů; novější práce ukazují, že jednoduchá trénovaná kombinace často předčí RRF a je málo citlivá na normalizaci.[29]

Přeřazování a víceúrovňové pipeline

Hybridní systémy jsou obvykle budovány jako retrieval → fusion → rerank. Pro přeřazování se používají:

  • Cross‑enkodéry (BERT/T5). Nejpřesnější, ale nákladné: MonoBERT/MonoT5 pro přeuspořádání top‑N kandidátů.[30][31]
  • Late‑interaction jako přeřazovač. Rodina ColBERT může sloužit také jako přeřazovač; moderní akcelerátory (PLAID, WARP) snižují latenci bez ztráty kvality.[32][33]

Kompromis kvalita ↔ latence/náklady je obzvláště důležitý v RAG a při přísných SLA (viz ocasní zpoždění p95/p99).[34]

Hodnocení na benchmarcích

  • BEIR. Jednotný soubor různorodých kolekcí/úloh pro hodnocení retrieverů v režimu zero‑/out‑of‑domain (např. TREC‑COVID, NFCorpus, NQ, HotpotQA, FiQA‑2018, DBPedia‑entity, ArguAna, Webis‑Touché‑2020, FEVER/Climate‑FEVER, Scidocs, SciFact, CQADupStack aj.).[35]
  • TREC Deep Learning / MS MARCO. Klasické zdroje pro trénink/hodnocení retrieverů a přeřazovačů v režimu velkých dat.[36][37][38]
  • Metriky kvality. nDCG@k, Recall@k, MRR; pro výkon — latence p50/p95/p99, QPS; pro provoz — paměť/náklady (CPU/GPU, index).[39][40]
  • Ablace. Doporučuje se zaznamenávat příspěvek každého kanálu/váhy a citlivost na parametry k v RRF a α při kombinování; hodnotit odolnost vůči přeformulacím a OOD‑posunům.[41][42]

Inženýrské aspekty a produkční praxe

  • Indexy a ANN. FAISS (Flat/HNSW/IVF‑PQ), HNSW, ScaNN pro MIPS/kosinusní podobnost.[43][44][45]
  • IR stack. Lucene/Anserini/Pyserini pro sparse/dense a hybridní pipeline; reprodukovatelnost „na dvě tlačítka" na BEIR.[46][47]
  • Vektorové databáze a vyhledávací enginy. Qdrant, Weaviate, pgvector/PostgreSQL, Vespa, Elasticsearch/OpenSearch mají nativní režimy hybridního vyhledávání (BM25F+vector) a/nebo RRF/lineární kombinaci.[48][49][50][51][52]
  • RAG‑vzor. Architektura: retrieval → fusion → rerank → kontext LLM s omezením tokenů a sledováním zdrojů.[53]
  • Aktualizace indexů, deduplikace, tokenizace. Důležité je sladit tokenizaci mezi BM25 a vektorizátorem; kalibrace skóre (normalizace/škálování) před kombinováním.[54]

Omezení a otevřené otázky

  • Přenositelnost a vícejazyčnost. Dense‑modely (GTR/E5) zlepšují přenos, ale jsou citlivé na doménu/jazyk; sparse‑modely (SPLADE) jsou na OOD often odolnější.[55][56]
  • Integrace s LLM a halucinace. Hybridní retrieval snižuje výpadky a šum v kontextech RAG, ale plně halucinace neodstraňuje; jsou potřeba přísné přeřazovače a filtrování zdrojů.[57]
  • Náklady a soukromí. Ukládání multi‑vector indexů, komprese, šifrování a on‑prem stack; hodnocení TCO.
  • Trendy. HyDE/doc2query/PRF jako rozšíření dokumentů/dotazů;[58][59] trénink kombinace (per‑query α), efektivnější late‑interaction (PLAID/WARP), dlouhé dokumenty a multivektorové indexy.[60][61]

Srovnávací tabulka metod

Ke dni 2025‑09‑10 (příklad na kolekci BEIR trec‑covid; nDCG@10 / Recall@100):[62]

Srovnání metod na trec‑covid
Metoda Typ (sparse/dense/hybrid) Myšlenka/model Schéma slučování Přeřazovač nDCG@10 / R@100 Latence (rel.) Zdroje
BM25 sparse Přesná shoda termínů (PRF/BM25) — — 0.595 / 0.109 velmi nízká [63][64]
SPLADE++ (ED) sparse (learned) Řídké rozšíření/váhy termínů — — 0.727 / 0.128 nízká–střední [65][66]
Contriever (MS MARCO FT) dense Bi-enkodér s kontrastivním učením — — 0.596 / 0.091 střední [67][68]
BGE‑base‑en‑v1.5 dense Silný univerzální embedder — — 0.781 / 0.141 střední [69]
Cohere embed‑english‑v3.0 dense Průmyslový textový embedding model — — 0.818 / 0.159 střední [70]
BM25 + dense (příklad: BM25+BGE) hybrid Paralelní retrieval + slučování seznamů RRF (k≈60) nebo vážená kombinace vol.: MonoT5/ColBERT (závisí na implementaci; obvykle > nejlepší jednotlivý kanál) střední [71][72][73]

Poznámka: poslední řádek ilustruje schéma; přesná čísla závisí na volbě embedderu, normalizaci a parametrech slučování (viz zdroje a reprodukovatelné skripty Pyserini).

Literatura

  • 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.

Odkazy

  • 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

Poznámky

  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_(CS)&oldid=3081"