Hybrid retrieval (PT)

From Systems analysis Wiki
Jump to navigation Jump to search

Recuperação Híbrida (Hybrid Retrieval) — é uma classe de métodos de recuperação de informação que combina sinais lexicais (sparse) e semânticos (dense/late-interaction) para aumentar o recall e a precisão dos resultados. Esquemas híbridos unem as vantagens da correspondência exata de termos (BM25/TF-IDF) e da proximidade vetorial (bi-encoders, modelos multivetoriais de interação tardia), além de utilizar métodos de fusão de classificações robustos a pontuações de diferentes escalas (como Reciprocal Rank Fusion, CombSUM/CombMNZ) e re-ranking com cross-encoders.[1][2][3]

Definição e Motivação

Recuperação híbrida é uma busca paralela ou em cascata por dois (ou mais) canais de sinais independentes, seguida por fusão e/ou re-ranking. As motivações típicas incluem: (i) superar a "lacuna de vocabulário" (sinônimos, reformulações), (ii) robustez a erros de digitação/morfologia, (iii) extração de códigos/identificadores específicos (onde modelos sparse são fortes), e (iv) generalização para novos domínios/idiomas (onde modelos dense fornecem generalização semântica).[4][5][6]

Componentes da Busca Híbrida

Lexical (sparse)

  • Modelos clássicos. TF-IDF e BM25/BM25F são métodos de base padrão que utilizam índices invertidos; o BM25 é fundamentado no framework probabilístico PRF e é amplamente usado no primeiro estágio de ranqueamento.[7]
  • Modelos sparse treináveis.
    • SPLADE / SPLADE++/v3. Um modelo neuro-sparse que aprende a expandir e ponderar termos através de uma cabeça MLM com regularização de esparsidade; demonstra resultados fortes e boa capacidade de generalização (BEIR).[8][9][10]
    • uniCOIL/COIL. Listas invertidas contextualizadas e sua versão simplificada, uniCOIL; são compatíveis com índices invertidos clássicos.[11]

Semântico (dense/late-interaction)

  • Bi-encoder (single-vector). A consulta e o documento são codificados por modelos vetoriais, e a similaridade é calculada por produto escalar (dot-product)/MIPS. Exemplos: DPR,[12] ANCE,[13] Contriever,[14] GTR,[15] E5.[16]
  • Late-interaction (multi-vector). Modelam correspondências em nível de token durante a interação "tardia": ColBERT/ColBERTv2; o trade-off é uma maior precisão com um índice/latência maior, o que é mitigado por otimizações de engenharia (PLAID, WARP).[17][18][19]

Esquemas de Hibridização e Fusão de Ranks

  • Busca paralela e união de candidatos. Listas de candidatos (sparse e dense) são obtidas independentemente com suas pontuações internas; em seguida, as classificações são fundidas.[20]
  • RRF (Reciprocal Rank Fusion). Uma técnica robusta a pontuações de classificações incomparáveis, que soma os ranks recíprocos:

RRF(d)=∑i=1m1k+ranki(d), onde geralmente k≈60.[21] É suportada em motores de busca industriais (Elasticsearch/OpenSearch) como um recuperador/processador integrado.[22][23]

  • CombSUM/CombMNZ e outros. Funções clássicas de "soma de pontuações" (com normalização, se necessário).[24][25][26]
  • Combinação linear ponderada.

S(d)=α⋅Ssparse(d)+(1−α)⋅Sdense(d), α∈[0,1]. A escolha de α pode ser fixa ou treinável (por coleção/por consulta).[27]

  • Normalização de pontuações. Para CombSUM/CombMNZ, métodos como min-max, z-score, etc., são frequentemente usados para alinhar as escalas;[28] alternativamente, o RRF baseia-se apenas nos ranks.
  • Ponderação dinâmica/adaptativa. Roteamento de consultas (query routing), características da consulta e modelos LTR (learning-to-rank) para selecionar/ponderar os canais; trabalhos recentes mostram que uma simples combinação ponderada e treinada frequentemente supera o RRF e é pouco sensível à normalização.[29]

Re-ranking e Pipelines Multi-estágio

Sistemas híbridos são geralmente construídos como retrieval → fusion → rerank. Para o re-ranking, são utilizados:

  • Cross-encoders (BERT/T5). Os mais precisos, porém custosos: MonoBERT/MonoT5 para reordenar os top N candidatos.[30][31]
  • Late-interaction como re-ranker. A família ColBERT também pode atuar como re-ranker; aceleradores modernos (PLAID, WARP) reduzem a latência sem perda de qualidade.[32][33]

O trade-off qualidade ↔ latência/custo é especialmente importante em RAG e com SLAs rigorosos (ver latências de cauda p95/p99).[34]

Avaliação em Benchmarks

  • BEIR. Um conjunto unificado de coleções/tarefas heterogêneas para avaliação zero-shot/out-of-domain de recuperadores (ex., TREC‑COVID, NFCorpus, NQ, HotpotQA, FiQA‑2018, DBPedia-entity, ArguAna, Webis‑Touché‑2020, FEVER/Climate-FEVER, Scidocs, SciFact, CQADupStack, etc.).[35]
  • TREC Deep Learning / MS MARCO. Recursos clássicos para treinar/avaliar recuperadores e re-rankers em cenários de big data.[36][37][38]
  • Métricas de qualidade. nDCG@k, Recall@k, MRR; para desempenho — latência p50/p95/p99, QPS; para operação — memória/custo (CPU/GPU, índice).[39][40]
  • Ablações. Recomenda-se isolar a contribuição de cada canal/peso e a sensibilidade aos parâmetros k no RRF e α na combinação ponderada; avaliar a robustez a reformulações e a mudanças de distribuição (OOD).[41][42]

Aspectos de Engenharia e Práticas de Produção

  • Índices e ANN. FAISS (Flat/HNSW/IVF‑PQ), HNSW, ScaNN para MIPS/similaridade de cosseno.[43][44][45]
  • Stack de IR. Lucene/Anserini/Pyserini para pipelines sparse, dense e híbridos; reprodutibilidade "com dois cliques" no BEIR.[46][47]
  • Bancos de dados vetoriais e motores de busca. Qdrant, Weaviate, pgvector/PostgreSQL, Vespa, Elasticsearch/OpenSearch possuem modos nativos de busca híbrida (BM25F+vetor) e/ou RRF/combinação linear.[48][49][50][51][52]
  • Padrão RAG. Arquitetura: retrieval → fusion → rerank → contexto do LLM com limitação de tokens e rastreamento de fontes.[53]
  • Atualização de índices, desduplicação, tokenização. É importante alinhar a tokenização entre o BM25 и o vetorizador; calibração de pontuações (normalização/escalonamento) antes da combinação.[54]

Limitações e Questões Abertas

  • Generalização e multilinguismo. Modelos dense (GTR/E5) melhoram a generalização, mas são sensíveis ao domínio/idioma; modelos sparse (SPLADE) são frequentemente mais robustos em cenários OOD.[55][56]
  • Integração com LLMs e alucinações. A recuperação híbrida reduz omissões e ruído nos contextos de RAG, mas não elimina completamente as alucinações; são necessários re-rankers rigorosos e filtragem de fontes.[57]
  • Custo e privacidade. Armazenamento de índices multi-vetoriais, compressão, criptografia e stack on-premise; avaliação do TCO.
  • Tendências. HyDE/doc2query/PRF como expansão de documentos/consultas;[58][59] aprendizado da combinação (per-query α), modelos late-interaction mais eficientes (PLAID/WARP), documentos longos e índices multi-vetoriais.[60][61]

Tabela Comparativa de Métodos

Dados de 2025‑09‑10 (exemplo na coleção BEIR trec‑covid; nDCG@10 / Recall@100):[62]

Comparação de métodos em trec‑covid
Método Tipo (sparse/dense/híbrido) Ideia/Modelo Esquema de fusão Re-ranker nDCG@10 / R@100 Latência (rel.) Fontes
BM25 sparse Correspondência exata de termos (PRF/BM25) — — 0.595 / 0.109 muito baixa [63][64]
SPLADE++ (ED) sparse (learned) Expansão/pesos esparsos de termos — — 0.727 / 0.128 baixa-média [65][66]
Contriever (MS MARCO FT) dense Bi-encoder de aprendizado contrastivo — — 0.596 / 0.091 média [67][68]
BGE‑base‑en‑v1.5 dense Embedder universal forte — — 0.781 / 0.141 média [69]
Cohere embed‑english‑v3.0 dense Modelo de embedding de texto de nível industrial — — 0.818 / 0.159 média [70]
BM25 + dense (ex: BM25+BGE) hybrid Recuperação paralela + fusão de listas RRF (k≈60) ou combinação ponderada opc.: MonoT5/ColBERT (varia conforme a implementação; geralmente > que o melhor canal individual) média [71][72][73]

Nota: a última linha ilustra o esquema; os números exatos dependem da escolha do embedder, da normalização e dos parâmetros de fusão (consulte as fontes e os scripts reprodutíveis do Pyserini).

Ligações externas

Literatura

  • 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.

Notas

  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 (ver capítulos sobre TF‑IDF, avaliação e o problema de 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. (acesso em 2025‑09‑10). elastic.co/docs/.../reciprocal-rank-fusion.
  23. ↑ OpenSearch Docs. Score ranker processor (RRF). (acesso em 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). ver acima.
  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). (acesso em 2025‑09‑10). qdrant.tech/.../hybrid-queries/.
  49. ↑ Weaviate Docs. Hybrid search. (acesso em 2025‑09‑10). docs.weaviate.io/weaviate/search/hybrid.
  50. ↑ pgvector GitHub. (acesso em 2025‑09‑10). github.com/pgvector/pgvector.
  51. ↑ Vespa Docs. Hybrid Text Search Tutorial. (acesso em 2025‑09‑10). docs.vespa.ai/.../hybrid-search.html.
  52. ↑ Elastic Docs. Reciprocal Rank Fusion. (acesso em 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). ver acima.
  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 (acesso em 2025‑09‑10): resultados em trec‑covid para 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. Ver link acima.
  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_(PT)&oldid=3094"