Hybrid retrieval (EL)

From Systems analysis Wiki
Jump to navigation Jump to search

Hybrid Retrieval (υβριδική ανάκτηση) — κατηγορία μεθόδων ανάκτησης πληροφοριών, στις οποίες συνδυάζονται λεξικά (sparse) και σημασιολογικά (dense/late‑interaction) σήματα για την αύξηση της πληρότητας και της ακρίβειας των αποτελεσμάτων. Τα υβριδικά σχήματα συνδυάζουν τα πλεονεκτήματα της ακριβούς αντιστοίχισης όρων (BM25/TF-IDF) και της διανυσματικής ομοιότητας (bi-encoders, μοντέλα late interaction πολλαπλών διανυσμάτων), ενώ αξιοποιούν ανθεκτικές σε ανομοιόμορφες κλίμακες βαθμολόγησης μεθόδους συγχώνευσης κατατάξεων (π.χ. Reciprocal Rank Fusion, CombSUM/CombMNZ) και επανακατάταξη με cross‑encoders.[1][2][3]

Ορισμός και κίνητρο

Η υβριδική ανάκτηση είναι παράλληλη ή διαδοχική αναζήτηση μέσω δύο (ή περισσότερων) ανεξάρτητων καναλιών σημάτων με επακόλουθη συγχώνευση και/ή επανακατάταξη. Τυπικά κίνητρα: (i) υπέρβαση του «λεξικολογικού χάσματος» (συνώνυμα, αναδιατυπώσεις), (ii) ανθεκτικότητα σε ορθογραφικά λάθη/μορφολογία, (iii) ανάκτηση ειδικών κωδικών/αναγνωριστικών (όπου το sparse μοντέλο υπερέχει), (iv) μεταφορά σε νέους τομείς/γλώσσες (όπου τα dense μοντέλα παρέχουν σημασιολογική γενίκευση).[4][5][6]

Συστατικά της υβριδικής αναζήτησης

Λεξικό (sparse)

  • Κλασικά μοντέλα. TF-IDF και BM25/BM25F — τυπικές βασικές μέθοδοι βασισμένες σε ανεστραμμένους δείκτες· το BM25 θεμελιώνεται σε πιθανοτικό πλαίσιο PRF και χρησιμοποιείται ευρέως ως πρώτο στάδιο κατάταξης.[7]
  • Εκπαιδεύσιμα sparse μοντέλα.
    • SPLADE / SPLADE++/v3. Νευρωνικό sparse μοντέλο που εκπαιδεύει επέκταση και στάθμιση όρων μέσω MLM‑κεφαλής με κανονικοποίηση αραιότητας· εμφανίζει ισχυρά αποτελέσματα και καλή μεταφερσιμότητα (BEIR).[8][9][10]
    • uniCOIL/COIL. Πλαισιοποιημένες ανεστραμμένες λίστες και η απλοποιημένη εκδοχή τους uniCOIL· συμβατές με κλασικούς ανεστραμμένους δείκτες.[11]

Σημασιολογικό (dense/late‑interaction)

  • Bi‑encoder (μονό διάνυσμα). Το ερώτημα και το έγγραφο κωδικοποιούνται από διανυσματικά μοντέλα, η ομοιότητα υπολογίζεται με dot‑product/MIPS. Παραδείγματα: DPR,[12] ANCE,[13] Contriever,[14] GTR,[15] E5.[16]
  • Late‑interaction (πολλαπλά διανύσματα). Μοντελοποιούν αντιστοιχίες σε επίπεδο token κατά την «καθυστερημένη» αλληλεπίδραση: ColBERT/ColBERTv2· ο συμβιβασμός — καλύτερη ακρίβεια με μεγαλύτερο δείκτη/λανθάνοντα χρόνο, που ελαφρύνεται από μηχανικά εργαλεία (PLAID, WARP).[17][18][19]

Σχήματα υβριδοποίησης και συγχώνευσης κατατάξεων

  • Παράλληλη αναζήτηση και ένωση υποψηφίων. Λαμβάνουμε ανεξάρτητα λίστες υποψηφίων (sparse και dense) με τις εσωτερικές βαθμολογίες τους· στη συνέχεια — συγχώνευση κατατάξεων.[20]
  • RRF (Reciprocal Rank Fusion). Τεχνική ανθεκτική σε μη συγκρίσιμες κλίμακες βαθμολόγησης, που αθροίζει αντίστροφες κατατάξεις:

RRF(d)=∑i=1m1k+ranki(d), όπου συνήθως k≈60.[21] Υποστηρίζεται σε βιομηχανικές μηχανές αναζήτησης (Elasticsearch/OpenSearch) ως ενσωματωμένος ανακτητής/επεξεργαστής.[22][23]

  • CombSUM/CombMNZ και άλλα. Κλασικές συναρτήσεις «άθροισης βαθμολογιών» (με κανονικοποίηση εφόσον απαιτείται).[24][25][26]
  • Σταθμισμένος γραμμικός συνδυασμός.

S(d)=α⋅Ssparse(d)+(1−α)⋅Sdense(d), α∈[0,1]. Η επιλογή α μπορεί να είναι σταθερή ή εκπαιδεύσιμη (ανά συλλογή/ανά ερώτημα).[27]

  • Κανονικοποίηση βαθμολογιών. Για CombSUM/CombMNZ χρησιμοποιούνται συχνά min‑max, z‑score κ.ά. για εναρμόνιση κλιμάκων·[28] εναλλακτικά, το RRF βασίζεται αποκλειστικά σε κατατάξεις.
  • Δυναμική/προσαρμοστική στάθμιση. Δρομολόγηση ερωτημάτων (query routing), χαρακτηριστικά ερωτήματος και μοντέλα LTR για επιλογή/βάρος καναλιών· σύγχρονες εργασίες δείχνουν ότι ένας απλός εκπαιδευμένος συνδυασμός συχνά υπερτερεί του RRF και είναι ελάχιστα ευαίσθητος στην κανονικοποίηση.[29]

Επανακατάταξη και πολυσταδιακά pipelines

Τα υβριδικά συστήματα δομούνται συνήθως ως retrieval → fusion → rerank. Για την επανακατάταξη χρησιμοποιούνται:

  • Cross‑encoders (BERT/T5). Οι πιο ακριβείς, αλλά απαιτητικοί υπολογιστικά: MonoBERT/MonoT5 για επαναδιάταξη των κορυφαίων N υποψηφίων.[30][31]
  • Late‑interaction ως επανακατατακτής. Η οικογένεια ColBERT μπορεί να λειτουργεί και ως επανακατατακτής· σύγχρονοι επιταχυντές (PLAID, WARP) μειώνουν τον λανθάνοντα χρόνο χωρίς απώλεια ποιότητας.[32][33]

Ο συμβιβασμός ποιότητα ↔ λανθάνων χρόνος/κόστος είναι ιδιαίτερα σημαντικός στο RAG και σε αυστηρά SLA (βλ. ουραίες καθυστερήσεις p95/p99).[34]

Αξιολόγηση σε benchmarks

  • BEIR. Ενοποιημένο σύνολο από ετερογενείς συλλογές/εργασίες για αξιολόγηση ανακτητών σε zero‑/out‑of‑domain συνθήκες (π.χ. TREC‑COVID, NFCorpus, NQ, HotpotQA, FiQA‑2018, DBPedia‑entity, ArguAna, Webis‑Touché‑2020, FEVER/Climate‑FEVER, Scidocs, SciFact, CQADupStack κ.ά.).[35]
  • TREC Deep Learning / MS MARCO. Κλασικοί πόροι για εκπαίδευση/αξιολόγηση ανακτητών και επανακατατακτών σε καθεστώς μεγάλων δεδομένων.[36][37][38]
  • Μετρικές ποιότητας. nDCG@k, Recall@k, MRR· για επιδόσεις — latency p50/p95/p99, QPS· για λειτουργία — μνήμη/κόστος (CPU/GPU, δείκτης).[39][40]
  • Ablations. Συνιστάται η καταγραφή της συνεισφοράς κάθε καναλιού/βάρους και της ευαισθησίας στις παραμέτρους k στο RRF και α στον συνδυασμό· αξιολόγηση ανθεκτικότητας σε αναδιατυπώσεις και OOD μετατοπίσεις.[41][42]

Μηχανικές πτυχές και πρακτικές παραγωγής

  • Δείκτες και ANN. FAISS (Flat/HNSW/IVF‑PQ), HNSW, ScaNN για MIPS/κοσινική ομοιότητα.[43][44][45]
  • Στοίβα IR. Lucene/Anserini/Pyserini για sparse/dense και υβριδικά pipelines· «αναπαραγωγιμότητα δύο κλικ» στο BEIR.[46][47]
  • Διανυσματικές βάσεις δεδομένων και μηχανές αναζήτησης. Qdrant, Weaviate, pgvector/PostgreSQL, Vespa, Elasticsearch/OpenSearch διαθέτουν εγγενείς λειτουργίες υβριδικής αναζήτησης (BM25F+vector) και/ή RRF/γραμμικό συνδυασμό.[48][49][50][51][52]
  • Μοτίβο RAG. Αρχιτεκτονική: retrieval → fusion → rerank → πλαίσιο LLM με περιορισμό token και ιχνηλασιμότητα πηγών.[53]
  • Ενημέρωση δεικτών, αποκαθήλωση διπλοτύπων, tokenization. Είναι σημαντική η εναρμόνιση της tokenization μεταξύ BM25 και του διανυσματοποιητή· βαθμονόμηση βαθμολογιών (κανονικοποίηση/κλιμάκωση) πριν τον συνδυασμό.[54]

Περιορισμοί και ανοιχτά ζητήματα

  • Μεταφερσιμότητα και πολυγλωσσία. Τα dense μοντέλα (GTR/E5) βελτιώνουν τη μεταφορά, αλλά είναι ευαίσθητα στον τομέα/γλώσσα· τα sparse μοντέλα (SPLADE) είναι συχνά πιο ανθεκτικά σε OOD συνθήκες.[55][56]
  • Ενσωμάτωση με LLM και παραισθήσεις. Η υβριδική ανάκτηση μειώνει τις παραλείψεις και τον θόρυβο στα πλαίσια RAG, αλλά δεν εξαλείφει πλήρως τις παραισθήσεις· απαιτούνται αυστηροί επανακατατακτές και φιλτράρισμα πηγών.[57]
  • Κόστος και απόρρητο. Αποθήκευση πολυδιανυσματικών δεικτών, συμπίεση, κρυπτογράφηση και on‑prem στοίβα· αξιολόγηση TCO.
  • Τάσεις. HyDE/doc2query/PRF ως επέκταση εγγράφων/ερωτημάτων·[58][59] εκπαίδευση συνδυασμού (per‑query α), αποδοτικότερο late‑interaction (PLAID/WARP), μεγάλα έγγραφα και πολυδιανυσματικοί δείκτες.[60][61]

Συγκριτικός πίνακας μεθόδων

Από τις 2025‑09‑10 (παράδειγμα στη συλλογή BEIR trec‑covid· nDCG@10 / Recall@100):[62]

Σύγκριση μεθόδων στο trec‑covid
Μέθοδος Τύπος (sparse/dense/hybrid) Ιδέα/μοντέλο Σχήμα συγχώνευσης Επανακατατακτής nDCG@10 / R@100 Latency (σχετική) Πηγές
BM25 sparse Ακριβής αντιστοίχιση όρων (PRF/BM25) — — 0.595 / 0.109 πολύ χαμηλή [63][64]
SPLADE++ (ED) sparse (learned) Αραιή επέκταση/στάθμιση όρων — — 0.727 / 0.128 χαμηλή–μέτρια [65][66]
Contriever (MS MARCO FT) dense Bi-encoder αντιθετικής εκπαίδευσης — — 0.596 / 0.091 μέτρια [67][68]
BGE‑base‑en‑v1.5 dense Ισχυρό γενικής χρήσης embedding μοντέλο — — 0.781 / 0.141 μέτρια [69]
Cohere embed‑english‑v3.0 dense Βιομηχανικό μοντέλο κειμενικού embedding — — 0.818 / 0.159 μέτρια [70]
BM25 + dense (παράδειγμα: BM25+BGE) hybrid Παράλληλη ανάκτηση + συγχώνευση λιστών RRF (k≈60) ή σταθμισμένος συνδυασμός προαιρ.: MonoT5/ColBERT (ποικίλλει ανά υλοποίηση· συνήθως > καλύτερο μεμονωμένο κανάλι) μέτρια [71][72][73]

Σημείωση: η τελευταία σειρά απεικονίζει το σχήμα· οι ακριβείς τιμές εξαρτώνται από την επιλογή embedding μοντέλου, την κανονικοποίηση και τις παραμέτρους συγχώνευσης (βλ. πηγές και αναπαραγώγιμα scripts Pyserini).

Βιβλιογραφία

  • 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.
  • Järvelin, 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.

Σύνδεσμοι

  • 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

Σημειώσεις

  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_(EL)&oldid=3083"