Hybrid retrieval (NL)

From Systems analysis Wiki
Jump to navigation Jump to search

Hybrid Retrieval (hybride retrieval) — een klasse van methoden voor informatieretrieval waarbij lexicale (sparse) en semantische (dense/late‑interaction) signalen worden gecombineerd om de volledigheid en nauwkeurigheid van de resultaten te verbeteren. Hybride schema's combineren de voordelen van exacte termmatch (BM25/TF-IDF) en vectorgelijkenis (bi-encoders, modellen met late interactie), en maken gebruik van rankingfusiemethoden die bestand zijn tegen score-schaalverschillen (zoals Reciprocal Rank Fusion, CombSUM/CombMNZ) en herrangschikking door cross‑encoders.[1][2][3]

Definitie en motivatie

Hybride retrieval is een parallelle of cascadegewijze zoekopdracht via twee (of meer) onafhankelijke signaalkanalen, gevolgd door fusie en/of herrangschikking. Typische motivaties: (i) overbruggen van de «terminologische kloof» (synoniemen, herformuleringen), (ii) robuustheid tegen typefouten/morfologie, (iii) ophalen van specifieke codes/identificatoren (waar het sparse‑model sterk is), (iv) overdracht naar nieuwe domeinen/talen (waar dense‑modellen semantische generalisatie bieden).[4][5][6]

Componenten van hybride zoekopdrachten

Lexicaal (sparse)

  • Klassieke modellen. TF-IDF en BM25/BM25F — standaard basismethoden op omgekeerde indexen; BM25 is onderbouwd binnen het probabilistische PRF‑kader en wordt breed ingezet als eerste rangschikkingsstap.[7]
  • Aangeleerde sparse.
    • SPLADE / SPLADE++/v3. Een neurale sparse model dat termuitbreiding en -weging aanleert via een MLM‑kop met schaarsheidsregularisatie; toont sterke resultaten en goede overdraagbaarheid (BEIR).[8][9][10]
    • uniCOIL/COIL. Gecontextualiseerde omgekeerde lijsten en hun vereenvoudigde variant uniCOIL; compatibel met klassieke omgekeerde indexen.[11]

Semantisch (dense/late‑interaction)

  • Bi‑encoder (enkelvoudige vector). De zoekopdracht en het document worden gecodeerd door vectormodellen; gelijkenis wordt bepaald via dot‑product/MIPS. Voorbeelden: DPR,[12] ANCE,[13] Contriever,[14] GTR,[15] E5.[16]
  • Late‑interaction (meervoudige vector). Modelleert overeenkomsten op tokenniveau via «late» interactie: ColBERT/ColBERTv2; de afweging — betere nauwkeurigheid bij grotere index/latentie — wordt verzacht door engineeringoplossingen (PLAID, WARP).[17][18][19]

Schema's voor hybridisatie en rankingfusie

  • Parallelle zoekopdracht en samenvoeging van kandidaten. Onafhankelijk worden kandidatenlijsten (sparse en dense) verkregen met hun interne scores; vervolgens vindt rankingfusie plaats.[20]
  • RRF (Reciprocal Rank Fusion). Een techniek die robuust is tegen onvergelijkbare rangschikkingsscores en reciproke rangen optelt:

RRF(d)=∑i=1m1k+ranki(d), waarbij doorgaans k≈60.[21] Wordt ondersteund in productiesystemen (Elasticsearch/OpenSearch) als ingebouwde retriever/processor.[22][23]

  • CombSUM/CombMNZ en andere. Klassieke functies voor «scoreoptelling» (indien nodig met normalisatie).[24][25][26]
  • Gewogen lineaire combinatie.

S(d)=α⋅Ssparse(d)+(1−α)⋅Sdense(d), α∈[0,1]. De keuze van α kan vast of aangeleerd zijn (per collectie/per zoekopdracht).[27]

  • Scorenormalisatie. Voor CombSUM/CombMNZ worden vaak min‑max, z‑score en andere methoden toegepast om schalen te harmoniseren;[28] als alternatief vertrouwt RRF uitsluitend op rangen.
  • Dynamische/adaptieve weging. Zoekopdrachtroutering (query routing), kenmerken van de zoekopdracht en LTR‑modellen voor kanaalselektie/-weging; recente studies tonen aan dat een eenvoudige aangeleerde combinatie RRF vaak overtreft en weinig gevoelig is voor normalisatie.[29]

Herrangschikking en meerfasige pipelines

Hybride systemen worden doorgaans opgebouwd als retrieval → fusion → rerank. Voor herrangschikking worden toegepast:

  • Cross‑encoders (BERT/T5). De nauwkeurigste maar kostbaarste aanpak: MonoBERT/MonoT5 voor het herordenen van de top‑N kandidaten.[30][31]
  • Late‑interaction als reranker. De ColBERT‑familie kan ook als reranker fungeren; moderne versnellers (PLAID, WARP) verlagen de latentie zonder kwaliteitsverlies.[32][33]

De afweging kwaliteit ↔ latentie/kosten is bijzonder relevant bij RAG en strikte SLA (zie staartvertragingen p95/p99).[34]

Evaluatie op benchmarks

  • BEIR. Een uniforme verzameling van heterogene collecties/taken voor zero‑/out‑of‑domain evaluatie van retrievers (bijv. TREC‑COVID, NFCorpus, NQ, HotpotQA, FiQA‑2018, DBPedia‑entity, ArguAna, Webis‑Touché‑2020, FEVER/Climate‑FEVER, Scidocs, SciFact, CQADupStack, e.a.).[35]
  • TREC Deep Learning / MS MARCO. Klassieke bronnen voor training/evaluatie van retrievers en rerankers in grootschalige regime.[36][37][38]
  • Kwaliteitsmetrieken. nDCG@k, Recall@k, MRR; voor prestaties — latentie p50/p95/p99, QPS; voor exploitatie — geheugen/kosten (CPU/GPU, index).[39][40]
  • Ablatiestudies. Aanbevolen wordt de bijdrage van elk kanaal/gewicht vast te leggen en de gevoeligheid voor de parameters k in RRF en α in de combinatie te analyseren; robuustheid voor herformuleringen en OOD‑verschuivingen te beoordelen.[41][42]

Engineeringaspecten en productiepraktijken

  • Indexen en ANN. FAISS (Flat/HNSW/IVF‑PQ), HNSW, ScaNN voor MIPS/cosinus­gelijkenis.[43][44][45]
  • IR‑stack. Lucene/Anserini/Pyserini voor sparse/dense en hybride pipelines; «twee-knoppen»-reproduceerbaarheid op BEIR.[46][47]
  • Vectordatabases en zoekmachines. Qdrant, Weaviate, pgvector/PostgreSQL, Vespa, Elasticsearch/OpenSearch beschikken over native modi voor hybride zoekopdrachten (BM25F+vector) en/of RRF/lineaire combinatie.[48][49][50][51][52]
  • RAG‑patroon. Architectuur: retrieval → fusion → rerank → context LLM met tokenlimiet en bronverwijzing.[53]
  • Indexupdates, deduplicatie, tokenisatie. Belangrijk is de tokenisatie tussen BM25 en de vectorizer te harmoniseren; kalibratie van scores (normalisatie/schaling) vóór combinatie.[54]

Beperkingen en open vraagstukken

  • Overdraagbaarheid en meertaligheid. Dense‑modellen (GTR/E5) verbeteren de overdracht, maar zijn gevoelig voor domein/taal; sparse‑modellen (SPLADE) zijn op OOD vaak robuuster.[55][56]
  • Integratie met LLM en hallucinaties. Hybride retrieval vermindert omissies en ruis in RAG‑contexten, maar elimineert hallucinaties niet volledig; strikte rerankers en bronfiltring zijn noodzakelijk.[57]
  • Kosten en privacy. Opslag van multi‑vector indexen, compressie, versleuteling en on‑prem stack; TCO‑beoordeling.
  • Trends. HyDE/doc2query/PRF als document-/zoekopdracht­uitbreiding;[58][59] training van combinaties (per‑query α), efficiëntere late‑interaction (PLAID/WARP), lange documenten en multivectorindexen.[60][61]

Vergelijkingstabel van methoden

Per 2025‑09‑10 (voorbeeld op de BEIR‑collectie trec‑covid; nDCG@10 / Recall@100):[62]

Vergelijking van methoden op trec‑covid
Methode Type (sparse/dense/hybrid) Idee/model Fusieschema Reranker nDCG@10 / R@100 Latentie (rel.) Bronnen
BM25 sparse Exacte termmatch (PRF/BM25) — — 0.595 / 0.109 zeer laag [63][64]
SPLADE++ (ED) sparse (aangeleerd) Schaarse termuitbreiding/-weging — — 0.727 / 0.128 laag–gemiddeld [65][66]
Contriever (MS MARCO FT) dense Bi-encoder met contrastief leren — — 0.596 / 0.091 gemiddeld [67][68]
BGE‑base‑en‑v1.5 dense Krachtige universele embedder — — 0.781 / 0.141 gemiddeld [69]
Cohere embed‑english‑v3.0 dense Industrieel tekstembeddingmodel — — 0.818 / 0.159 gemiddeld [70]
BM25 + dense (voorbeeld: BM25+BGE) hybrid Parallelle retrieval + lijstfusie RRF (k≈60) of gewogen combinatie opt.: MonoT5/ColBERT (varieert per implementatie; doorgaans > beste afzonderlijk kanaal) gemiddeld [71][72][73]

Opmerking: de laatste rij illustreert het schema; de exacte cijfers zijn afhankelijk van de keuze van embedder, normalisatie en fusieparameters (zie bronnen en reproduceerbare Pyserini‑scripts).

Literatuur

  • 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.

Verwijzingen

  • 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

Noten

  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_(NL)&oldid=3092"