Hybrid retrieval (SV)

From Systems analysis Wiki
Jump to navigation Jump to search

Hybrid Retrieval (hybrid retrieval) — en klass av metoder för informationssökning där lexikala (sparse) och semantiska (dense/late‑interaction) signaler kombineras för att förbättra täckning och precision i sökresultaten. Hybrida scheman förenar fördelarna med exakt termmatchning (BM25/TF-IDF) och vektornärhet (bi-encoders, multimodeller med sen interaktion), samt använder rankningsmergningsmetoder som är robusta mot olikartade skalor (t.ex. Reciprocal Rank Fusion, CombSUM/CombMNZ) och omrankning med cross-encoders.[1][2][3]

Definition och motivation

Hybrid retrieval är en parallell eller kaskadartad sökning via två (eller fler) oberoende signalkanaler med efterföljande sammanslagning och/eller omrankning. Typiska motiv: (i) att överbrygga det "terminologiska gapet" (synonymer, omformuleringar), (ii) robusthet mot stavfel/morfologi, (iii) extrahering av specifika koder/identifierare (där sparse-modellen är stark), (iv) överföring till nya domäner/språk (där dense-modeller ger semantisk generalisering).[4][5][6]

Lexikal (sparse)

  • Klassiska modeller. TF-IDF och BM25/BM25F — standardbaslinjer på inverterade index; BM25 är grundat i ett probabilistiskt PRF-ramverk och används ofta som första rankingsteg.[7]
  • Inlärda sparse-modeller.
    • SPLADE / SPLADE++/v3. En neural sparse-modell som lär sig termexpansion och -viktning via ett MLM-huvud med gleshetsregularisering; uppvisar starka resultat och god överförbarhet (BEIR).[8][9][10]
    • uniCOIL/COIL. Kontextualiserade inverterade listor och deras förenklade variant uniCOIL; kompatibla med klassiska inverterade index.[11]

Semantisk (dense/late‑interaction)

  • Bi-encoder (enkelvektor). Fråga och dokument kodas av vektormodeller; likhet beräknas via dot-product/MIPS. Exempel: DPR,[12] ANCE,[13] Contriever,[14] GTR,[15] E5.[16]
  • Late-interaction (multivektor). Modellerar matchningar på token-nivå vid "sen" interaktion: ColBERT/ColBERTv2; avvägningen är bättre precision till priset av större index/latens, vilket mildras av tekniska optimeringar (PLAID, WARP).[17][18][19]

Hybridiseringsscheman och rankningssammanslagning

  • Parallell sökning och sammanslagning av kandidater. Kandidatlistor (sparse och dense) hämtas oberoende med sina interna poäng; därefter sker rankningssammanslagning.[20]
  • RRF (Reciprocal Rank Fusion). En teknik som är robust mot ojämförbara rankningspoäng och summerar reciproka ranker:

RRF(d)=∑i=1m1k+ranki(d), där vanligtvis k≈60.[21] Stöds i produktionsmotorer (Elasticsearch/OpenSearch) som inbyggd hämtare/processor.[22][23]

  • CombSUM/CombMNZ m.fl. Klassiska funktioner för "poängsummering" (vid behov med normalisering).[24][25][26]
  • Viktad linjär blandning.

S(d)=α⋅Ssparse(d)+(1−α)⋅Sdense(d), α∈[0,1]. Valet av α kan vara fast eller inlärt (per samling eller per fråga).[27]

  • Normalisering av poäng. För CombSUM/CombMNZ används ofta min-max, z-score m.fl. för att harmonisera skalor;[28] alternativt förlitar sig RRF enbart på ranker.
  • Dynamisk/adaptiv viktning. Frågeroutning (query routing), frågeegenskaper och LTR-modeller för val/viktning av kanaler; moderna arbeten visar att en enkel inlärd blandning ofta överpresterar RRF och är föga känslig för normalisering.[29]

Omrankning och flerstegs-pipelines

Hybrida system byggs vanligtvis som retrieval → fusion → rerank. För omrankning används:

  • Cross-encoders (BERT/T5). De mest precisa men kostnadskrävande: MonoBERT/MonoT5 för omordning av topp-N kandidater.[30][31]
  • Late-interaction som omrankare. ColBERT-familjen kan även fungera som omrankare; moderna acceleratorer (PLAID, WARP) minskar latensen utan kvalitetsförlust.[32][33]

Avvägningen kvalitet ↔ latens/kostnad är särskilt viktig vid RAG och strikta SLA (se svansfördröjningar p95/p99).[34]

Utvärdering på benchmark

  • BEIR. En enhetlig samling av heterogena kollektioner/uppgifter för zero-/out-of-domain-utvärdering av hämtare (t.ex. TREC‑COVID, NFCorpus, NQ, HotpotQA, FiQA‑2018, DBPedia‑entity, ArguAna, Webis‑Touché‑2020, FEVER/Climate‑FEVER, Scidocs, SciFact, CQADupStack m.fl.).[35]
  • TREC Deep Learning / MS MARCO. Klassiska resurser för träning/utvärdering av hämtare och omrankare i stordatamiljö.[36][37][38]
  • Kvalitetsmått. nDCG@k, Recall@k, MRR; för prestanda — latens p50/p95/p99, QPS; för drift — minne/kostnad (CPU/GPU, index).[39][40]
  • Ablationer. Det rekommenderas att fastställa bidraget från varje kanal/vikt och känsligheten för parametrar k i RRF och α vid blandning; att bedöma robusthet mot omformuleringar och OOD-skiften.[41][42]

Tekniska aspekter och produktionspraxis

  • Index och ANN. FAISS (Flat/HNSW/IVF‑PQ), HNSW, ScaNN för MIPS/kosinuslikhet.[43][44][45]
  • IR-stack. Lucene/Anserini/Pyserini för sparse/dense och hybrida pipelines; reproducerbarhet på BEIR med minimal konfiguration.[46][47]
  • Vektordatabaser och sökmotorer. Qdrant, Weaviate, pgvector/PostgreSQL, Vespa, Elasticsearch/OpenSearch har inbyggda lägen för hybrid search (BM25F+vektor) och/eller RRF/linjär blandning.[48][49][50][51][52]
  • RAG-mönster. Arkitektur: retrieval → fusion → rerank → LLM-kontext med tokenbegränsning och källspårning.[53]
  • Indexuppdatering, deduplicering, tokenisering. Det är viktigt att harmonisera tokeniseringen mellan BM25 och vektoriseraren; kalibrering av poäng (normalisering/skalning) före blandning.[54]

Begränsningar och öppna frågor

  • Överförbarhet och flerspråkighet. Dense-modeller (GTR/E5) förbättrar överföring men är känsliga för domän/språk; sparse-modeller (SPLADE) är ofta mer robusta på OOD.[55][56]
  • Integration med LLM och hallucinationer. Hybrid retrieval minskar luckor och brus i RAG-kontexter men eliminerar inte hallucinationer helt; strikta omrankare och källfiltrering är nödvändiga.[57]
  • Kostnad och integritet. Lagring av multivektor-index, komprimering, kryptering och on-prem-stack; TCO-bedömning.
  • Trender. HyDE/doc2query/PRF som dokument-/frågeexpansion;[58][59] inlärning av blandning (per-query α), effektivare late-interaction (PLAID/WARP), långa dokument och multivektorindex.[60][61]

Jämförelsetabell över metoder

Per 2025‑09‑10 (exempel på BEIR-kollektionen trec‑covid; nDCG@10 / Recall@100):[62]

Jämförelse av metoder på trec‑covid
Metod Typ (sparse/dense/hybrid) Idé/modell Sammanslagningsschema Omrankare nDCG@10 / R@100 Latens (rel.) Källor
BM25 sparse Exakt termmatchning (PRF/BM25) — — 0.595 / 0.109 mycket låg [63][64]
SPLADE++ (ED) sparse (inlärd) Gles expansion/viktning av termer — — 0.727 / 0.128 låg–medel [65][66]
Contriever (MS MARCO FT) dense Bi-encoder med kontrastiv inlärning — — 0.596 / 0.091 medel [67][68]
BGE‑base‑en‑v1.5 dense Stark universell embedding-modell — — 0.781 / 0.141 medel [69]
Cohere embed‑english‑v3.0 dense Industriell textembedding-modell — — 0.818 / 0.159 medel [70]
BM25 + dense (exempel: BM25+BGE) hybrid Parallell hämtning + listsammanslagning RRF (k≈60) eller viktad blandning val.: MonoT5/ColBERT (varierar beroende på implementation; vanligtvis > bästa enskilda kanal) medel [71][72][73]

Anmärkning: den sista raden illustrerar schemat; exakta siffror beror på val av embedding-modell, normalisering och sammanslagningsparametrar (se källor och reproducerbara Pyserini-skript).

Litteratur

  • 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.

Länkar

  • 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

Noter

  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_(SV)&oldid=3096"