Hybrid retrieval (HU)

From Systems analysis Wiki
Jump to navigation Jump to search

Hybrid Retrieval (hibrid visszakeresés) — az információkeresési módszerek azon osztálya, amelyben lexikai (sparse) és szemantikai (dense/late‑interaction) jeleket kombinálnak a teljesség és pontosság növelése érdekében. A hibrid sémák ötvözik a pontos terminusegyeztetés (BM25/TF-IDF) és a vektoros közelség (bi-encoder modellek, késői interakciós multimodellek) előnyeit, valamint különböző skálájú pontozással szemben robusztus rangsoregyesítési módszereket alkalmaznak (pl. Reciprocal Rank Fusion, CombSUM/CombMNZ), és cross-encoder-alapú újrarangsorolást végeznek.[1][2][3]

Meghatározás és motiváció

Hibrid visszakeresés — párhuzamos vagy kaszkád keresés két (vagy több) független jelcsatornán, amelyet rangsoregyesítés és/vagy újrarangsorolás követ. Tipikus motivációk: (i) a „terminológiai szakadék" leküzdése (szinonimák, átfogalmazások), (ii) robusztusság elgépelésekkel/morfológiával szemben, (iii) egyedi kódok/azonosítók visszakeresése (ahol a sparse modell erős), (iv) átvitel új tartományokra/nyelvekre (ahol a dense modellek szemantikai általánosítást nyújtanak).[4][5][6]

A hibrid keresés összetevői

Lexikai (sparse)

  • Klasszikus modellek. A TF-IDF és a BM25/BM25F fordított indexeken alapuló szabványos alap­módszerek; a BM25 valószínűségi PRF-keretben megalapozott, és az első rangsorolási fázisban széles körben használt.[7]
  • Tanítható sparse modellek.
    • SPLADE / SPLADE++/v3. Neurális sparse modell, amely MLM-fejjel és ritkaság-regularizációval végzi a terminusok kibővítését és súlyozását; erős eredményeket és jó átvihetőséget mutat (BEIR).[8][9][10]
    • uniCOIL/COIL. Kontextualizált fordított listák és azok egyszerűsített változata, az uniCOIL; kompatibilis a klasszikus fordított indexekkel.[11]

Szemantikai (dense/late‑interaction)

  • Bi‑encoder (egyetlen vektor). A lekérdezést és a dokumentumot vektormodellek kódolják, a hasonlóság dot-product/MIPS alapján mérhető. Példák: DPR,[12] ANCE,[13] Contriever,[14] GTR,[15] E5.[16]
  • Late‑interaction (több vektor). Token-szintű megfeleléseket modelleznek „késői" interakcióval: ColBERT/ColBERTv2; kompromisszum — jobb pontosság nagyobb index/késleltetés árán, amelyet mérnöki megoldások enyhítenek (PLAID, WARP).[17][18][19]

Hibridizációs sémák és rangsoregyesítés

  • Párhuzamos keresés és jelöltek egyesítése. Egymástól függetlenül kapjuk meg a jelöltlistákat (sparse és dense) belső pontozásaikkal, majd rangsoregyesítés következik.[20]
  • RRF (Reciprocal Rank Fusion). Összeegyeztethetetlen rangsorpontozásokkal szemben robusztus technika, amely fordított rangokat összegez:

RRF(d)=∑i=1m1k+ranki(d), ahol általában k≈60.[21] Ipari keresőmotorokban (Elasticsearch/OpenSearch) beépített visszakereső/processzorként támogatott.[22][23]

  • CombSUM/CombMNZ és más módszerek. Klasszikus „pontozás-összegzési" függvények (szükség esetén normalizálással).[24][25][26]
  • Súlyozott lineáris keverék.

S(d)=α⋅Sextsparse(d)+(1−α)⋅Sextdense(d), α∈[0,1]. A α megválasztása lehet rögzített vagy tanítható (kollekció vagy lekérdezés szerint).[27]

  • Pontozás normalizálása. A CombSUM/CombMNZ esetén skálák összehangolásához gyakran alkalmaznak min‑max, z‑score és egyéb normalizálást;[28] az RRF ezzel szemben kizárólag rangokra támaszkodik.
  • Dinamikus/adaptív súlyozás. Keresési útválasztás (query routing), lekérdezési jellemzők és LTR-modellek a csatornák kiválasztásához/súlyozásához; újabb munkák megmutatják, hogy egy egyszerű tanított keverék gyakran felülmúlja az RRF-et, és kevéssé érzékeny a normalizálásra.[29]

Újrarangsorolás és többfázisú pipeline-ok

A hibrid rendszereket jellemzően retrieval → fusion → rerank architektúraként valósítják meg. Az újrarangsoroláshoz a következőket alkalmazzák:

  • Cross-encoderek (BERT/T5). A legpontosabbak, de erőforrásigényesek: MonoBERT/MonoT5 a top-N jelölt átrendezéséhez.[30][31]
  • Late‑interaction mint újrarangsoroló. A ColBERT-család újrarangsorolóként is működhet; modern gyorsítók (PLAID, WARP) minőségromlás nélkül csökkentik a késleltetést.[32][33]

A minőség ↔ késleltetés/költség kompromisszum különösen fontos RAG esetén és szigorú SLA mellett (ld. p95/p99 farokidők).[34]

Kiértékelés benchmark-okon

  • BEIR. Különféle gyűjteményekből és feladatokból álló egységesített készlet a visszakeresők zero-/out-of-domain kiértékelésére (pl. TREC‑COVID, NFCorpus, NQ, HotpotQA, FiQA‑2018, DBPedia‑entity, ArguAna, Webis‑Touché‑2020, FEVER/Climate‑FEVER, Scidocs, SciFact, CQADupStack stb.).[35]
  • TREC Deep Learning / MS MARCO. Klasszikus erőforrások visszakeresők és újrarangsorolók nagy adatos tanítási/kiértékelési üzemmódban.[36][37][38]
  • Minőségi metrikák. nDCG@k, Recall@k, MRR; teljesítményre — latency p50/p95/p99, QPS; üzemeltetésre — memória/költség (CPU/GPU, index).[39][40]
  • Ablációs vizsgálatok. Ajánlott rögzíteni az egyes csatornák/súlyok hozzájárulását, az RRF-ben a k és a keverékben a α paraméterekre vonatkozó érzékenységet; kiértékelni az átfogalmazásokkal és OOD-eltolódásokkal szembeni robusztusságot.[41][42]

Mérnöki szempontok és éles rendszer-gyakorlatok

  • Indexek és ANN. FAISS (Flat/HNSW/IVF‑PQ), HNSW, ScaNN MIPS/koszinusz-hasonlósághoz.[43][44][45]
  • IR-veremtechnológia. Lucene/Anserini/Pyserini sparse/dense és hibrid pipeline-okhoz; reprodukálhatóság BEIR-en.[46][47]
  • Vektoros adatbázisok és keresőmotorok. A Qdrant, Weaviate, pgvector/PostgreSQL, Vespa, Elasticsearch/OpenSearch natív hibrid keresési módokkal rendelkezik (BM25F+vektor) és/vagy RRF/lineáris keveréssel.[48][49][50][51][52]
  • RAG-minta. Architektúra: retrieval → fusion → rerank → LLM kontextus token-korláttal és forrásnaplózással.[53]
  • Index-frissítés, deduplikáció, tokenizálás. Fontos összehangolni a tokenizálást a BM25 és a vektorizáló között; pontozás kalibrálása (normalizálás/skálázás) keverés előtt.[54]

Korlátok és nyitott kérdések

  • Átvitelhatóság és többnyelvűség. A dense modellek (GTR/E5) javítják az átvitelt, de érzékenyek a tartományra/nyelvre; a sparse modellek (SPLADE) OOD esetén gyakran robusztusabbak.[55][56]
  • Integráció LLM-mel és hallucinációk. A hibrid visszakeresés csökkenti a kihagyásokat és a zajt a RAG kontextusokban, de nem szünteti meg teljesen a hallucinációkat; szigorú újrarangsorolókra és forrásfiltráló mechanizmusokra van szükség.[57]
  • Költség és adatvédelem. Multi-vector indexek tárolása, tömörítés, titkosítás és helyi infrastruktúra; TCO-értékelés.
  • Trendek. HyDE/doc2query/PRF mint dokumentum/lekérdezés-kibővítési technikák;[58][59] keveréktanítás (lekérdezésenkénti α), hatékonyabb late-interaction (PLAID/WARP), hosszú dokumentumok és multivektoros indexek.[60][61]

Módszerek összehasonlító táblázata

2025‑09‑10-i állapot szerint (példa a BEIR trec‑covid gyűjteményen; nDCG@10 / Recall@100):[62]

Módszerek összehasonlítása a trec‑covid gyűjteményen
Módszer Típus (sparse/dense/hybrid) Ötlet/modell Egyesítési séma Újrarangsoroló nDCG@10 / R@100 Késleltetés (rel.) Források
BM25 sparse Pontos terminusegyeztetés (PRF/BM25) — — 0.595 / 0.109 nagyon alacsony [63][64]
SPLADE++ (ED) sparse (learned) Ritka terminus-kibővítés/súlyozás — — 0.727 / 0.128 alacsony–közepes [65][66]
Contriever (MS MARCO FT) dense Kontasztív tanítású bi-encoder — — 0.596 / 0.091 közepes [67][68]
BGE‑base‑en‑v1.5 dense Erős általános célú embedding modell — — 0.781 / 0.141 közepes [69]
Cohere embed‑english‑v3.0 dense Ipari szöveges embedding modell — — 0.818 / 0.159 közepes [70]
BM25 + dense (példa: BM25+BGE) hybrid Párhuzamos visszakeresés + listaelemegyesítés RRF (k≈60) vagy súlyozott keverék opc.: MonoT5/ColBERT (implementációtól függően változó; általában > legjobb egycsatornás) közepes [71][72][73]

Megjegyzés: az utolsó sor az architektúrát szemlélteti; a pontos számok az embedding modell megválasztásától, a normalizálástól és az egyesítési paraméterektől függnek (ld. forrásokat és a Pyserini reprodukálható szkriptjeit).

Irodalom

  • 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.

Hivatkozások

  • 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

Megjegyzések

  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_(HU)&oldid=3088"