Hybrid retrieval (ID)

From Systems analysis Wiki
Jump to navigation Jump to search

Hybrid Retrieval (pengambilan informasi hibrida) — kelas metode pencarian informasi yang menggabungkan sinyal leksikal (sparse) dan semantik (dense/late‑interaction) untuk meningkatkan kelengkapan dan ketepatan hasil pencarian. Skema hibrida memadukan keunggulan pencocokan istilah yang tepat (BM25/TF-IDF) dengan kedekatan vektor (bi-encoder, model late-interaction multi-vektor), serta memanfaatkan metode penggabungan peringkat yang tahan terhadap skoring berskala berbeda (misalnya, Reciprocal Rank Fusion, CombSUM/CombMNZ) dan pemeringkatan ulang dengan cross‑encoder.[1][2][3]

Definisi dan Motivasi

Hybrid Retrieval adalah pencarian paralel atau berjenjang melalui dua (atau lebih) saluran sinyal independen, diikuti penggabungan dan/atau pemeringkatan ulang. Motivasi utama: (i) mengatasi "kesenjangan terminologi" (sinonim, reformulasi), (ii) ketahanan terhadap kesalahan ketik/morfologi, (iii) pengambilan kode/pengenal spesifik (di mana model sparse unggul), (iv) transfer ke domain/bahasa baru (di mana model dense memberikan generalisasi semantik).[4][5][6]

Komponen Pencarian Hibrida

Leksikal (sparse)

  • Model klasik. TF-IDF dan BM25/BM25F — metode dasar standar pada indeks terbalik; BM25 dilandasi kerangka probabilistik PRF dan banyak digunakan pada tahap pertama peringkat.[7]
  • Sparse yang dapat dilatih.
    • SPLADE / SPLADE++/v3. Model neural sparse yang melatih perluasan dan pembobotan istilah melalui kepala MLM dengan regularisasi kejarangan; menunjukkan hasil yang kuat dan portabilitas yang baik (BEIR).[8][9][10]
    • uniCOIL/COIL. Daftar terbalik yang dikontekstualisasikan beserta versi disederhanakannya uniCOIL; kompatibel dengan indeks terbalik klasik.[11]

Semantik (dense/late‑interaction)

  • Bi‑encoder (single‑vector). Kueri dan dokumen dikodekan oleh model vektor, kemiripan dihitung berdasarkan dot‑product/MIPS. Contoh: DPR,[12] ANCE,[13] Contriever,[14] GTR,[15] E5.[16]
  • Late‑interaction (multi‑vector). Memodelkan kesesuaian di tingkat token pada interaksi "terlambat": ColBERT/ColBERTv2; kompromis — akurasi lebih baik dengan indeks/latensi lebih besar, yang diringankan oleh solusi rekayasa (PLAID, WARP).[17][18][19]

Skema Hibridisasi dan Penggabungan Peringkat

  • Pencarian paralel dan penggabungan kandidat. Daftar kandidat (sparse dan dense) diperoleh secara independen beserta skor internalnya, lalu digabungkan.[20]
  • RRF (Reciprocal Rank Fusion). Teknik yang tahan terhadap skor peringkat yang tidak sebanding, menjumlahkan kebalikan peringkat:

RRF(d)=∑i=1m1k+ranki(d), di mana biasanya k≈60.[21] Didukung pada mesin industri (Elasticsearch/OpenSearch) sebagai retriever/prosesor bawaan.[22][23]

  • CombSUM/CombMNZ dan lainnya. Fungsi klasik "penjumlahan skor" (dengan normalisasi bila diperlukan).[24][25][26]
  • Campuran linear berbobot.

S(d)=α⋅Ssparse(d)+(1−α)⋅Sdense(d), α∈[0,1]. Pemilihan α dapat bersifat tetap atau dapat dilatih (berdasarkan koleksi/kueri).[27]

  • Normalisasi skor. Untuk CombSUM/CombMNZ sering diterapkan min‑max, z‑score, dan lainnya untuk menyelaraskan skala;[28] alternatifnya, RRF hanya bergantung pada peringkat.
  • Pembobotan dinamis/adaptif. Perutean kueri (query routing), fitur kueri, dan model LTR untuk memilih/membobot saluran; penelitian terkini menunjukkan bahwa campuran terlatih sederhana sering melampaui RRF dan tidak sensitif terhadap normalisasi.[29]

Pemeringkatan Ulang dan Pipeline Multi-Tahap

Sistem hibrida biasanya dibangun sebagai retrieval → fusion → rerank. Untuk pemeringkatan ulang digunakan:

  • Cross‑encoder (BERT/T5). Paling akurat tetapi paling mahal: MonoBERT/MonoT5 untuk menyusun ulang top‑N kandidat.[30][31]
  • Late‑interaction sebagai reranker. Keluarga ColBERT dapat berfungsi juga sebagai reranker; akselerator modern (PLAID, WARP) mengurangi latensi tanpa kehilangan kualitas.[32][33]

Kompromi kualitas ↔ latensi/biaya sangat penting dalam RAG dan SLA yang ketat (lihat latensi ekor p95/p99).[34]

Evaluasi pada Benchmark

  • BEIR. Kumpulan terpadu dari koleksi/tugas beragam untuk evaluasi zero‑/out‑of‑domain pada retriever (misalnya, TREC‑COVID, NFCorpus, NQ, HotpotQA, FiQA‑2018, DBPedia‑entity, ArguAna, Webis‑Touché‑2020, FEVER/Climate‑FEVER, Scidocs, SciFact, CQADupStack, dan lainnya).[35]
  • TREC Deep Learning / MS MARCO. Sumber daya klasik untuk pelatihan/evaluasi retriever dan reranker dalam mode data besar.[36][37][38]
  • Metrik kualitas. nDCG@k, Recall@k, MRR; untuk performa — latency p50/p95/p99, QPS; untuk operasional — memori/biaya (CPU/GPU, indeks).[39][40]
  • Ablasi. Disarankan untuk mencatat kontribusi setiap saluran/bobot dan sensitivitas terhadap parameter k dalam RRF serta α dalam pencampuran; mengevaluasi ketahanan terhadap reformulasi dan pergeseran OOD.[41][42]

Aspek Rekayasa dan Praktik Produksi

  • Indeks dan ANN. FAISS (Flat/HNSW/IVF‑PQ), HNSW, ScaNN untuk MIPS/kemiripan kosinus.[43][44][45]
  • Tumpukan IR. Lucene/Anserini/Pyserini untuk pipeline sparse/dense dan hibrida; reprodusibilitas "dua tombol" pada BEIR.[46][47]
  • Basis data vektor dan mesin pencari. Qdrant, Weaviate, pgvector/PostgreSQL, Vespa, Elasticsearch/OpenSearch memiliki mode pencarian hibrida native (BM25F+vector) dan/atau RRF/pencampuran linear.[48][49][50][51][52]
  • Pola RAG. Arsitektur: retrieval → fusion → rerank → konteks LLM dengan pembatasan token dan pelacakan sumber.[53]
  • Pembaruan indeks, deduplikasi, tokenisasi. Penting untuk menyelaraskan tokenisasi antara BM25 dan vektorisator; kalibrasi skor (normalisasi/penskalaan) sebelum pencampuran.[54]

Keterbatasan dan Pertanyaan Terbuka

  • Portabilitas dan multibahasa. Model dense (GTR/E5) meningkatkan transfer, tetapi sensitif terhadap domain/bahasa; model sparse (SPLADE) umumnya lebih tahan pada OOD.[55][56]
  • Integrasi dengan LLM dan halusinasi. Hybrid Retrieval mengurangi kelalaian dan kebisingan dalam konteks RAG, tetapi tidak sepenuhnya menghilangkan halusinasi; diperlukan reranker yang ketat dan penyaringan sumber.[57]
  • Biaya dan privasi. Penyimpanan indeks multi-vektor, kompresi, enkripsi, dan tumpukan on‑prem; evaluasi TCO.
  • Tren. HyDE/doc2query/PRF sebagai perluasan dokumen/kueri;[58][59] pelatihan pencampuran (per‑query α), late‑interaction yang lebih efisien (PLAID/WARP), dokumen panjang, dan indeks multi-vektor.[60][61]

Tabel Perbandingan Metode

Per 2025‑09‑10 (contoh pada koleksi BEIR trec‑covid; nDCG@10 / Recall@100):[62]

Perbandingan metode pada trec‑covid
Metode Tipe (sparse/dense/hybrid) Ide/model Skema penggabungan Reranker nDCG@10 / R@100 Latensi (relatif) Sumber
BM25 sparse Pencocokan istilah tepat (PRF/BM25) — — 0.595 / 0.109 sangat rendah [63][64]
SPLADE++ (ED) sparse (learned) Perluasan/pembobotan istilah jarang — — 0.727 / 0.128 rendah–sedang [65][66]
Contriever (MS MARCO FT) dense Bi-encoder pembelajaran kontrastif — — 0.596 / 0.091 sedang [67][68]
BGE‑base‑en‑v1.5 dense Embedder universal yang kuat — — 0.781 / 0.141 sedang [69]
Cohere embed‑english‑v3.0 dense Model embedding teks industri — — 0.818 / 0.159 sedang [70]
BM25 + dense (contoh: BM25+BGE) hybrid Retrieval paralel + penggabungan daftar RRF (k≈60) atau campuran berbobot ops.: MonoT5/ColBERT (bervariasi sesuai implementasi; biasanya > saluran tunggal terbaik) sedang [71][72][73]

Catatan: baris terakhir mengilustrasikan skema; angka pasti bergantung pada pilihan embedder, normalisasi, dan parameter penggabungan (lihat sumber dan skrip Pyserini yang dapat direproduksi).

Daftar Pustaka

  • 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.

Tautan

  • 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

Catatan

  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_(ID)&oldid=3089"