Hybrid retrieval (IT)

From Systems analysis Wiki
Jump to navigation Jump to search

Hybrid Retrieval (recupero ibrido) — classe di metodi di recupero dell'informazione che combinano segnali lessicali (sparse) e semantici (dense/late‑interaction) per aumentare il richiamo e la precisione dei risultati. Gli schemi ibridi uniscono i vantaggi della corrispondenza esatta dei termini (BM25/TF-IDF) e della similarità vettoriale (bi-encoder, modelli multi-vettore a interazione tardiva), e utilizzano metodi di fusione dei ranking resistenti alle differenze di scala degli score (ad esempio Reciprocal Rank Fusion, CombSUM/CombMNZ) e il re-ranking tramite cross-encoder.[1][2][3]

Definizione e motivazione

Il recupero ibrido è una ricerca parallela o a cascata su due (o più) canali di segnali indipendenti, seguita da fusione e/o re-ranking. Le motivazioni tipiche sono: (i) superare il «divario terminologico» (sinonimi, riformulazioni), (ii) robustezza agli errori di battitura e alla morfologia, (iii) recupero di codici/identificatori specifici (dove il modello sparse è più efficace), (iv) trasferimento a nuovi domini/lingue (dove i modelli dense forniscono generalizzazione semantica).[4][5][6]

Componenti della ricerca ibrida

Lessicale (sparse)

  • Modelli classici. TF-IDF e BM25/BM25F — metodi di base standard su indici invertiti; BM25 è fondato nel quadro probabilistico PRF e ampiamente utilizzato come primo stadio di ranking.[7]
  • Sparse apprendibili.
    • SPLADE / SPLADE++/v3. Modello neurale sparse che apprende l'espansione e la pesatura dei termini tramite una testa MLM con regolarizzazione della sparsità; mostra risultati forti e buona trasferibilità (BEIR).[8][9][10]
    • uniCOIL/COIL. Liste invertite contestualizzate e la loro versione semplificata uniCOIL; compatibili con gli indici invertiti classici.[11]

Semantico (dense/late‑interaction)

  • Bi‑encoder (single‑vector). Query e documento vengono codificati da modelli vettoriali; la similarità è calcolata tramite dot‑product/MIPS. Esempi: DPR,[12] ANCE,[13] Contriever,[14] GTR,[15] E5.[16]
  • Late‑interaction (multi‑vector). Modellano le corrispondenze a livello di token mediante interazione «tardiva»: ColBERT/ColBERTv2; il compromesso — maggiore precisione a fronte di un indice/latenza più elevati — è attenuato da ottimizzazioni ingegneristiche (PLAID, WARP).[17][18][19]

Schemi di ibridizzazione e fusione dei ranking

  • Ricerca parallela e unione dei candidati. Si ottengono liste di candidati indipendenti (sparse e dense) con i rispettivi score interni; segue la fusione dei ranking.[20]
  • RRF (Reciprocal Rank Fusion). Tecnica robusta alle differenze di scala degli score che somma i ranghi reciproci:

RRF(d)=∑i=1m1k+ranki(d), dove solitamente k≈60.[21] È supportata nei motori industriali (Elasticsearch/OpenSearch) come retriever/processore integrato.[22][23]

  • CombSUM/CombMNZ e altri. Funzioni classiche di «somma degli score» (con normalizzazione se necessaria).[24][25][26]
  • Miscela lineare pesata.

S(d)=α⋅Ssparse(d)+(1−α)⋅Sdense(d), α∈[0,1]. La scelta di α può essere fissa o appresa (per collezione o per query).[27]

  • Normalizzazione degli score. Per CombSUM/CombMNZ si applicano spesso min‑max, z‑score e altri metodi per allineare le scale;[28] in alternativa, RRF si basa esclusivamente sui ranghi.
  • Pesatura dinamica/adattiva. Query routing, feature della query e modelli LTR per la selezione e la pesatura dei canali; lavori recenti mostrano che una miscela appresa semplice spesso supera RRF ed è poco sensibile alla normalizzazione.[29]

Re-ranking e pipeline multi-stadio

I sistemi ibridi sono tipicamente costruiti come pipeline retrieval → fusion → rerank. Per il re-ranking si utilizzano:

  • Cross‑encoder (BERT/T5). I più precisi ma costosi: MonoBERT/MonoT5 per il riordinamento dei top‑N candidati.[30][31]
  • Late‑interaction come re-ranker. La famiglia ColBERT può fungere anche da re-ranker; gli acceleratori moderni (PLAID, WARP) riducono la latenza senza perdita di qualità.[32][33]

Il compromesso qualità ↔ latenza/costo è particolarmente rilevante nei contesti RAG e con SLA stringenti (si vedano le latenze di coda p95/p99).[34]

Valutazione sui benchmark

  • BEIR. Insieme unificato di collezioni/compiti eterogenei per la valutazione zero‑/out‑of‑domain dei retriever (ad es. TREC‑COVID, NFCorpus, NQ, HotpotQA, FiQA‑2018, DBPedia‑entity, ArguAna, Webis‑Touché‑2020, FEVER/Climate‑FEVER, Scidocs, SciFact, CQADupStack, ecc.).[35]
  • TREC Deep Learning / MS MARCO. Risorse classiche per l'addestramento e la valutazione di retriever e re-ranker in regime di grandi dati.[36][37][38]
  • Metriche di qualità. nDCG@k, Recall@k, MRR; per le prestazioni — latency p50/p95/p99, QPS; per l'esercizio — memoria/costo (CPU/GPU, indice).[39][40]
  • Ablazioni. Si raccomanda di isolare il contributo di ciascun canale/peso e la sensibilità ai parametri k in RRF e α nella miscela; valutare la robustezza a riformulazioni e a shift OOD.[41][42]

Aspetti ingegneristici e pratiche di produzione

  • Indici e ANN. FAISS (Flat/HNSW/IVF‑PQ), HNSW, ScaNN per MIPS/similarità coseno.[43][44][45]
  • Stack IR. Lucene/Anserini/Pyserini per pipeline sparse, dense e ibride; riproducibilità immediata su BEIR.[46][47]
  • Database vettoriali e motori di ricerca. Qdrant, Weaviate, pgvector/PostgreSQL, Vespa, Elasticsearch/OpenSearch dispongono di modalità native di ricerca ibrida (BM25F+vector) e/o RRF/miscela lineare.[48][49][50][51][52]
  • Pattern RAG. Architettura: retrieval → fusion → rerank → contesto LLM con limitazione dei token e tracciamento delle fonti.[53]
  • Aggiornamento degli indici, deduplicazione, tokenizzazione. È importante allineare la tokenizzazione tra BM25 e il modello di vettorizzazione; calibrare gli score (normalizzazione/scalatura) prima della fusione.[54]

Limiti e questioni aperte

  • Trasferibilità e multilingua. I modelli dense (GTR/E5) migliorano il trasferimento, ma sono sensibili al dominio/lingua; i modelli sparse (SPLADE) sono spesso più robusti in OOD.[55][56]
  • Integrazione con LLM e allucinazioni. Il recupero ibrido riduce le omissioni e il rumore nei contesti RAG, ma non elimina completamente le allucinazioni; sono necessari re-ranker rigorosi e filtraggio delle fonti.[57]
  • Costo e privacy. Archiviazione di indici multi-vector, compressione, cifratura e stack on‑prem; valutazione del TCO.
  • Tendenze. HyDE/doc2query/PRF come espansione di documenti/query;[58][59] apprendimento della miscela (per-query α), late‑interaction più efficienti (PLAID/WARP), documenti lunghi e indici multi-vettore.[60][61]

Tabella comparativa dei metodi

Aggiornato al 2025‑09‑10 (esempio sulla collezione BEIR trec‑covid; nDCG@10 / Recall@100):[62]

Confronto dei metodi su trec‑covid
Metodo Tipo (sparse/dense/hybrid) Idea/modello Schema di fusione Re-ranker nDCG@10 / R@100 Latenza (rel.) Fonti
BM25 sparse Corrispondenza esatta dei termini (PRF/BM25) — — 0.595 / 0.109 molto bassa [63][64]
SPLADE++ (ED) sparse (learned) Espansione/pesatura sparsa dei termini — — 0.727 / 0.128 bassa–media [65][66]
Contriever (MS MARCO FT) dense Bi-encoder con apprendimento contrastivo — — 0.596 / 0.091 media [67][68]
BGE‑base‑en‑v1.5 dense Embedding universale di alta qualità — — 0.781 / 0.141 media [69]
Cohere embed‑english‑v3.0 dense Modello di embedding testuale industriale — — 0.818 / 0.159 media [70]
BM25 + dense (esempio: BM25+BGE) hybrid Recupero parallelo + fusione delle liste RRF (k≈60) o miscela pesata opz.: MonoT5/ColBERT (variabile in base all'implementazione; di norma > del miglior canale singolo) media [71][72][73]

Nota: l'ultima riga illustra lo schema; i valori esatti dipendono dalla scelta dell'embedding, dalla normalizzazione e dai parametri di fusione (si vedano le fonti e gli script riproducibili di Pyserini).

Collegamenti esterni

  • 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

Bibliografia

  • 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.

Note

  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_(IT)&oldid=3090"