Hybrid retrieval (RO)

From Systems analysis Wiki
Jump to navigation Jump to search

Hybrid Retrieval (regăsire hibridă) — clasă de metode de regăsire a informației în care se combină semnale lexicale (sparse) și semantice (dense/late‑interaction) pentru creșterea exhaustivității și preciziei rezultatelor. Schemele hibride îmbină avantajele potrivirii exacte a termenilor (BM25/TF-IDF) și ale proximității vectoriale (bi-encodere, modele multi-vector cu interacțiune târzie), utilizând totodată metode de fuziune a clasamentelor robuste la scări de scorare diferite (de exemplu, Reciprocal Rank Fusion, CombSUM/CombMNZ) și reordonare cu cross‑encodere.[1][2][3]

Definiție și motivație

Regăsirea hibridă reprezintă o căutare paralelă sau în cascadă pe două (sau mai multe) canale independente de semnale, urmată de fuziune și/sau reordonare. Motivațiile tipice sunt: (i) depășirea „decalajului terminologic" (sinonime, reformulări), (ii) robustețea față de greșeli de scriere/morfologie, (iii) extragerea codurilor/identificatorilor specifici (unde modelul sparse este puternic), (iv) transferul pe domenii/limbi noi (unde modelele dense oferă generalizare semantică).[4][5][6]

Componentele căutării hibride

Lexicală (sparse)

  • Modele clasice. TF-IDF și BM25/BM25F — metode de bază standard pe indecși inversați; BM25 este justificat în cadrul probabilistic PRF și utilizat pe scară largă în prima etapă de clasare.[7]
  • Sparse antrenabile.
    • SPLADE / SPLADE++/v3. Model neuronal sparse care antrenează extinderea și ponderarea termenilor printr-un cap MLM cu regularizare a rarității; produce rezultate puternice și bună transferabilitate (BEIR).[8][9][10]
    • uniCOIL/COIL. Liste inversate contextualizate și versiunea lor simplificată uniCOIL; compatibile cu indecșii inversați clasici.[11]

Semantică (dense/late‑interaction)

  • Bi‑encoder (vector unic). Interogarea și documentul sunt codificate de modele vectoriale, similaritatea fiind calculată prin dot‑product/MIPS. Exemple: DPR,[12] ANCE,[13] Contriever,[14] GTR,[15] E5.[16]
  • Late‑interaction (multi‑vector). Modelează corespondențele la nivel de token prin interacțiune „târzie": ColBERT/ColBERTv2; compromisul — precizie mai bună la cost de index/latență mai mare, atenuat de drivere inginerești (PLAID, WARP).[17][18][19]

Scheme de hibridizare și fuziune a clasamentelor

  • Căutare paralelă și unificarea candidaților. Se obțin independent liste de candidați (sparse și dense) cu scorurile lor interne; urmează fuziunea clasamentelor.[20]
  • RRF (Reciprocal Rank Fusion). Tehnică robustă la scoruri incomparabile între clasamente, care sumează rangurile inverse:

RRF(d)=∑i=1m1k+ranki(d), unde de obicei k≈60.[21] Este suportată în motoare industriale (Elasticsearch/OpenSearch) ca retriever/procesor nativ.[22][23]

  • CombSUM/CombMNZ și altele. Funcții clasice de „sumare a scorurilor" (cu normalizare, dacă este necesar).[24][25][26]
  • Mixtură liniară ponderată.

S(d)=α⋅Sextsparse(d)+(1−α)⋅Sextdense(d), α∈[0,1]. Alegerea α poate fi fixă sau antrenabilă (per colecție/per interogare).[27]

  • Normalizarea scorurilor. Pentru CombSUM/CombMNZ se aplică frecvent min‑max, z‑score etc. pentru alinierea scalelor;[28] alternativ, RRF se bazează exclusiv pe ranguri.
  • Ponderare dinamică/adaptivă. Rutarea interogărilor (query routing), caracteristici ale interogării și modele LTR pentru selecția/ponderarea canalelor; lucrările recente arată că o mixtură simplă antrenată depășește adesea RRF și este puțin sensibilă la normalizare.[29]

Reordonare și pipeline-uri multi-etapă

Sistemele hibride sunt de obicei construite ca retrieval → fusion → rerank. Pentru reordonare se utilizează:

  • Cross‑encodere (BERT/T5). Cele mai precise, dar costisitoare: MonoBERT/MonoT5 pentru reordonarea candidaților din top‑N.[30][31]
  • Late‑interaction ca reranker. Familia ColBERT poate funcționa și ca reranker; acceleratoarele moderne (PLAID, WARP) reduc latența fără pierderi de calitate.[32][33]

Compromisul calitate ↔ latență/cost este deosebit de important în contextul RAG și al SLA-urilor stricte (a se vedea latențele de coadă p95/p99).[34]

Evaluare pe benchmark-uri

  • BEIR. Set unificat de colecții/sarcini diverse pentru evaluarea retrieverilor în regim zero‑/out‑of‑domain (de 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. Resurse clasice pentru antrenarea/evaluarea retrieverilor și rerankerilor în regim de date mari.[36][37][38]
  • Metrici de calitate. nDCG@k, Recall@k, MRR; pentru performanță — latență p50/p95/p99, QPS; pentru exploatare — memorie/cost (CPU/GPU, index).[39][40]
  • Ablații. Se recomandă fixarea contribuției fiecărui canal/pondere și a sensibilității față de parametrii k în RRF și α în mixare; evaluarea robustetii la reformulări și la schimbări OOD.[41][42]

Aspecte inginerești și practici de producție

  • Indecși și ANN. FAISS (Flat/HNSW/IVF‑PQ), HNSW, ScaNN pentru MIPS/similitudine cosinus.[43][44][45]
  • Stiva IR. Lucene/Anserini/Pyserini pentru pipeline-uri sparse/dense și hibride; reproductibilitate „în doi pași" pe BEIR.[46][47]
  • Baze de date vectoriale și motoare de căutare. Qdrant, Weaviate, pgvector/PostgreSQL, Vespa, Elasticsearch/OpenSearch dispun de moduri native de căutare hibridă (BM25F+vector) și/sau RRF/mixtură liniară.[48][49][50][51][52]
  • Șablonul RAG. Arhitectură: retrieval → fusion → rerank → context LLM cu limitare de tokeni și trasabilitatea surselor.[53]
  • Actualizarea indecșilor, deduplicarea, tokenizarea. Este important să se alinieze tokenizarea între BM25 și vectorizator; calibrarea scorurilor (normalizare/scalare) înainte de mixare.[54]

Limitări și întrebări deschise

  • Transferabilitate și multilingvism. Modelele dense (GTR/E5) îmbunătățesc transferul, dar sunt sensibile la domeniu/limbă; modelele sparse (SPLADE) sunt adesea mai robuste pe OOD.[55][56]
  • Integrarea cu LLM și halucinațiile. Regăsirea hibridă reduce omisiunile și zgomotul în contextele RAG, dar nu elimină complet halucinațiile; sunt necesari reordonatori stricți și filtrarea surselor.[57]
  • Cost și confidențialitate. Stocarea indecșilor multi-vector, compresia, criptarea și stiva on‑prem; evaluarea TCO.
  • Tendințe. HyDE/doc2query/PRF ca extindere a documentelor/interogărilor;[58][59] antrenarea mixturii (per‑query α), late‑interaction mai eficiente (PLAID/WARP), documente lungi și indecși multi-vectori.[60][61]

Tabel comparativ al metodelor

La data de 2025‑09‑10 (exemplu pe colecția BEIR trec‑covid; nDCG@10 / Recall@100):[62]

Compararea metodelor pe trec‑covid
Metodă Tip (sparse/dense/hybrid) Idee/model Schemă de fuziune Reranker nDCG@10 / R@100 Latență (rel.) Surse
BM25 sparse Potrivire exactă a termenilor (PRF/BM25) — — 0.595 / 0.109 foarte scăzută [63][64]
SPLADE++ (ED) sparse (learned) Extindere/ponderare sparse a termenilor — — 0.727 / 0.128 scăzută–medie [65][66]
Contriever (MS MARCO FT) dense Bi-encoder cu antrenare contrastivă — — 0.596 / 0.091 medie [67][68]
BGE‑base‑en‑v1.5 dense Embedder universal puternic — — 0.781 / 0.141 medie [69]
Cohere embed‑english‑v3.0 dense Model industrial de embedding textual — — 0.818 / 0.159 medie [70]
BM25 + dense (exemplu: BM25+BGE) hybrid Retrieval paralel + fuziunea listelor RRF (k≈60) sau mixtură ponderată opț.: MonoT5/ColBERT (variază în funcție de implementare; de obicei > cel mai bun canal individual) medie [71][72][73]

Notă: ultimul rând ilustrează schema; valorile exacte depind de alegerea embedder-ului, normalizare și parametrii de fuziune (a se vedea sursele și scripturile reproductibile Pyserini).

Bibliografie

  • 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.

Legături externe

  • 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

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_(RO)&oldid=3095"