---
title: "Hybrid retrieval (HE)"
source: "https://systems-analysis.info/int/Hybrid_retrieval_(HE)"
wiki: "systems-analysis.info/int"
article: "Hybrid_retrieval_(HE)"
language: "he"
categories:
  - "Category:Hebrew"
  - "Category:Large language models"
  - "Category:Prompt engineering"
revision_id: 3086
wiki_created_at: 2026-09-06T23:15:29Z
wiki_modified_at: 2026-09-06T23:15:29Z
downloaded_at: 2026-09-07T22:54:59Z
---

# Hybrid retrieval (HE)

**Hybrid Retrieval (אחזור היברידי)** — מחלקת שיטות לאחזור מידע, שבהן משולבים אותות לקסיקליים (sparse) וסמנטיים (dense/late‑interaction) לשיפור המלאות והדיוק של התוצאות. תכניות היברידיות משלבות את יתרונות ההתאמה המדויקת של מונחים (BM25/TF-IDF) עם קרבה וקטורית (bi-encoder, מודלים של late-interaction), וכן משתמשות בשיטות מיזוג דירוגים העמידות בפני הבדלי סקאלות (למשל, Reciprocal Rank Fusion, CombSUM/CombMNZ) וברירות דירוג מחדש באמצעות cross-encoder.<sup>[\[1\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-1)[\[2\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-2)[\[3\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-3)</sup>

## הגדרה ומוטיבציה

*אחזור היברידי* הוא חיפוש מקבילי או מדורג בשני ערוצי אותות (ויותר) בלתי תלויים, עם מיזוג ו/או דירוג מחדש לאחר מכן. מוטיבציות טיפוסיות: (i) גישור על "פער טרמינולוגי" (מילים נרדפות, ניסוחים מחדש), (ii) עמידות בפני שגיאות כתיב ומורפולוגיה, (iii) אחזור קודים ומזהים ספציפיים (שם מודל sparse חזק), (iv) העברה לדומיינים ושפות חדשים (שם מודלי dense מספקים הכללה סמנטית).<sup>[\[4\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-4)[\[5\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-5)[\[6\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-6)</sup>

## רכיבי החיפוש ההיברידי

### לקסיקלי (sparse)

- **מודלים קלאסיים.** TF-IDF ו-BM25/BM25F — שיטות בסיס סטנדרטיות על אינדקסים הפוכים; BM25 מנומק במסגרת PRF הסתברותית ונמצא בשימוש נרחב כשלב ראשון בדירוג.<sup>[\[7\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-7)</sup>
- **sparse הניתנים לאימון.**
  - **SPLADE / SPLADE++/v3.** מודל neuro-sparse המאמן הרחבה ושקלול של מונחים דרך ראש MLM עם רגולריזציה של דלילות; מציג תוצאות חזקות ויכולת העברה טובה (BEIR).<sup>[\[8\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-8)[\[9\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-9)[\[10\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-10)</sup>
  - **uniCOIL/COIL.** רשימות הפוכות מקונטקסטואליזציות וגרסתן המפושטת *uniCOIL*; תואמות לאינדקסים הפוכים קלאסיים.<sup>[\[11\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-11)</sup>

### סמנטי (dense/late‑interaction)

- **Bi‑encoder (single‑vector).** שאילתה ומסמך מקודדים על ידי מודלי וקטורים, דמיון — לפי dot‑product/MIPS. דוגמאות: DPR,<sup>[\[12\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-12)</sup> ANCE,<sup>[\[13\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-13)</sup> Contriever,<sup>[\[14\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-14)</sup> GTR,<sup>[\[15\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-15)</sup> E5.<sup>[\[16\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-16)</sup>
- **Late‑interaction (multi‑vector).** מדגמנים התאמות ברמת token עם "אינטראקציה מאוחרת": ColBERT/ColBERTv2; הפשרה — דיוק טוב יותר במחיר אינדקס/זמן תגובה גדולים יותר, שמוקל על ידי מנועים הנדסיים (PLAID, WARP).<sup>[\[17\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-17)[\[18\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-18)[\[19\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-19)</sup>

## תכניות היברידיזציה ומיזוג דירוגים

- **חיפוש מקבילי ואיחוד מועמדים.** קבלה עצמאית של רשימות מועמדים (sparse ו-dense) עם הציונים הפנימיים שלהם; לאחר מכן — מיזוג דירוגים.<sup>[\[20\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-20)</sup>
- **RRF (Reciprocal Rank Fusion).** טכניקה עמידה בפני ציונים בלתי ניתנים להשוואה, המסכמת דירוגים הפוכים:

${RRF}(d) = \sum\limits_{i = 1}^{m}\frac{1}{k + {rank}_{i}(d)}$, כאשר בדרך כלל $k \approx 60$.<sup>[\[21\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-21)</sup> נתמכת במנועים תעשייתיים (Elasticsearch/OpenSearch) כ-retriever/processor מובנה.<sup>[\[22\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-22)[\[23\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-23)</sup>

- **CombSUM/CombMNZ ואחרות.** פונקציות "סכימת ציונים" קלאסיות (עם נרמול במידת הצורך).<sup>[\[24\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-24)[\[25\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-25)[\[26\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-26)</sup>
- **תערובת לינארית משוקללת.**

$S(d) = \alpha \cdot S_{\text{sparse}}(d) + (1 - \alpha) \cdot S_{\text{dense}}(d)$, $\alpha \in \lbrack 0,1\rbrack$. הבחירה ב-$\alpha$ יכולה להיות קבועה או הניתנת לאימון (לפי אוסף/לפי שאילתה).<sup>[\[27\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-27)</sup>

- **נרמול ציונים.** עבור CombSUM/CombMNZ מיישמים לעיתים קרובות min‑max, z‑score ואחרות להתאמת סקאלות;<sup>[\[28\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-28)</sup> לחלופין, RRF מסתמך על דירוגים בלבד.
- **שקלול דינמי/אדפטיבי.** ניתוב שאילתות (query routing), מאפייני שאילתה ומודלי LTR לבחירת ערוצים/משקלות; עבודות עכשוויות מראות שתערובת פשוטה מאומנת לרוב עולה על RRF ורגישה מעט לנרמול.<sup>[\[29\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-29)</sup>

## דירוג מחדש ו-pipeline רב-שלבי

מערכות היברידיות בנויות בדרך כלל כ-*retrieval → fusion → rerank*. לדירוג מחדש משתמשים ב:

- **Cross‑encoder (BERT/T5).** המדויקים ביותר, אך גם היקרים ביותר: MonoBERT/MonoT5 לסדר מחדש של top‑N מועמדים.<sup>[\[30\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-30)[\[31\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-31)</sup>
- **Late‑interaction כ-reranker.** משפחת ColBERT יכולה לשמש גם כ-reranker; מאיצים עכשוויים (PLAID, WARP) מפחיתים זמן תגובה ללא אובדן איכות.<sup>[\[32\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-32)[\[33\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-33)</sup>

הפשרה *איכות ↔ זמן תגובה/עלות* חשובה במיוחד ב-RAG ו-SLA קשוחים (ראו עיכובי זנב p95/p99).<sup>[\[34\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-34)</sup>

## הערכה על benchmark-ים

- **BEIR.** אוסף מאוחד של קבצים ומשימות הטרוגניים להערכת retriever-ים ב-zero-/out-of-domain (למשל, TREC‑COVID, NFCorpus, NQ, HotpotQA, FiQA‑2018, DBPedia‑entity, ArguAna, Webis‑Touché‑2020, FEVER/Climate‑FEVER, Scidocs, SciFact, CQADupStack ועוד).<sup>[\[35\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-35)</sup>
- **TREC Deep Learning / MS MARCO.** משאבים קלאסיים לאימון והערכת retriever-ים ו-reranker-ים במצב big data.<sup>[\[36\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-36)[\[37\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-37)[\[38\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-38)</sup>
- **מדדי איכות.** nDCG@k, Recall@k, MRR; לביצועים — latency p50/p95/p99, QPS; לתפעול — זיכרון/עלות (CPU/GPU, אינדקס).<sup>[\[39\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-39)[\[40\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-40)</sup>
- **אבלציות.** מומלץ לתעד את תרומת כל ערוץ/משקל ואת הרגישות לפרמטרים $k$ ב-RRF ו-$\alpha$ בתערובת; להעריך עמידות בפני ניסוחים מחדש וסטיות OOD.<sup>[\[41\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-41)[\[42\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-42)</sup>

## היבטים הנדסיים ופרקטיקות production

- **אינדקסים ו-ANN.** FAISS (Flat/HNSW/IVF‑PQ), HNSW, ScaNN עבור MIPS/קרבה קוסינוסית.<sup>[\[43\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-43)[\[44\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-44)[\[45\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-45)</sup>
- **סטק IR.** Lucene/Anserini/Pyserini לצינורות sparse/dense והיברידיים; יכולת שחזור "בלחיצת כפתור" על BEIR.<sup>[\[46\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-46)[\[47\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-47)</sup>
- **מסדי נתונים וקטוריים ומנועי חיפוש.** ל-Qdrant, Weaviate, pgvector/PostgreSQL, Vespa, Elasticsearch/OpenSearch יש מצבי חיפוש היברידי מובנים (BM25F+vector) ו/או RRF/ערבוב לינארי.<sup>[\[48\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-48)[\[49\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-49)[\[50\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-50)[\[51\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-51)[\[52\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-52)</sup>
- **תבנית RAG.** ארכיטקטורה: **retrieval → fusion → rerank → הקשר LLM** עם הגבלת token-ים ומעקב מקורות.<sup>[\[53\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-53)</sup>
- **עדכון אינדקסים, כפילויות, טוקניזציה.** חשוב להתאים טוקניזציה בין BM25 למקודד הוקטורים; כיול ציונים (נרמול/סקאלה) לפני ערבוב.<sup>[\[54\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-54)</sup>

## מגבלות ושאלות פתוחות

- **יכולת העברה ורב-לשוניות.** מודלי dense (GTR/E5) משפרים העברה, אך רגישים לדומיין/שפה; מודלי sparse (SPLADE) לרוב יציבים יותר על OOD.<sup>[\[55\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-55)[\[56\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-56)</sup>
- **אינטגרציה עם LLM והזיות.** אחזור היברידי מפחית החמצות ורעש בהקשרי RAG, אך אינו מבטל לחלוטין הזיות; נדרשים reranker-ים קפדניים וסינון מקורות.<sup>[\[57\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-57)</sup>
- **עלות ופרטיות.** אחסון אינדקסי multi‑vector, דחיסה, הצפנה וסטק on‑prem; הערכת TCO.
- **מגמות.** HyDE/doc2query/PRF כהרחבת מסמכים/שאילתות;<sup>[\[58\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-58)[\[59\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-59)</sup> אימון ערבוב (per‑query $\alpha$), late‑interaction יעיל יותר (PLAID/WARP), מסמכים ארוכים ואינדקסים רב-וקטוריים.<sup>[\[60\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-60)[\[61\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-61)</sup>

## טבלת השוואת שיטות

נכון ל-2025‑09‑10 (דוגמה על אוסף BEIR *trec‑covid*; nDCG@10 / Recall@100):<sup>[\[62\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-62)</sup>

| שיטה                           | סוג (sparse/dense/hybrid) | רעיון/מודל                        | תכנית מיזוג                  | Reranker                  | nDCG@10 / R@100                                       | Latency (יחסי) | מקורות                                                                                                                                                                                                                                                |
|--------------------------------|---------------------------|-----------------------------------|------------------------------|---------------------------|-------------------------------------------------------|----------------|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| BM25                           | sparse                    | התאמה מדויקת של מונחים (PRF/BM25) | —                            | —                         | 0.595 / 0.109                                         | נמוכה מאד      | <sup>[\[63\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-63)[\[64\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-64)</sup>                                                                               |
| SPLADE++ (ED)                  | sparse (learned)          | הרחבה/שקלול דלילים של מונחים      | —                            | —                         | 0.727 / 0.128                                         | נמוכה–בינונית  | <sup>[\[65\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-65)[\[66\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-66)</sup>                                                                               |
| Contriever (MS MARCO FT)       | dense                     | Bi-encoder עם אימון קונטרסטיבי    | —                            | —                         | 0.596 / 0.091                                         | בינונית        | <sup>[\[67\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-67)[\[68\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-68)</sup>                                                                               |
| BGE‑base‑en‑v1.5               | dense                     | Embedding חזק ורב-תכליתי          | —                            | —                         | 0.781 / 0.141                                         | בינונית        | <sup>[\[69\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-69)</sup>                                                                                                                                                             |
| Cohere embed‑english‑v3.0      | dense                     | מודל embedding טקסטואלי תעשייתי   | —                            | —                         | 0.818 / 0.159                                         | בינונית        | <sup>[\[70\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-70)</sup>                                                                                                                                                             |
| BM25 + dense (דוגמה: BM25+BGE) | hybrid                    | אחזור מקבילי + מיזוג רשימות       | RRF (k≈60) או תערובת משוקללת | אופציונלי: MonoT5/ColBERT | (משתנה לפי מימוש; בדרך כלל \> הערוץ הבודד הטוב ביותר) | בינונית        | <sup>[\[71\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-71)[\[72\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-72)[\[73\]](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_note-73)</sup> |

השוואת שיטות על *trec‑covid*

הערה: השורה האחרונה ממחישה את התכנית; המספרים המדויקים תלויים בבחירת ה-embedding, הנרמול ופרמטרי המיזוג (ראו מקורות ותסריטי Pyserini הניתנים לשחזור).

## ספרות

- 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.

## קישורים

- 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

## הערות

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-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.</span>
2.  <span id="cite_note-2">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-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. <a href="https://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf" class="external text" rel="nofollow">PDF</a>.</span>
3.  <span id="cite_note-3">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-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.</span>
4.  <span id="cite_note-4">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-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*).</span>
5.  <span id="cite_note-5">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-5) Izacard, G. et al. (2022). *Unsupervised Dense Information Retrieval with Contrastive Learning (Contriever)*. TACL 10:1089–1108. arXiv:2112.09118.</span>
6.  <span id="cite_note-6">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-6) Wang, L. et al. (2022/2024). *Text Embeddings by Weakly‑Supervised Contrastive Pre‑training (E5)*. arXiv:2212.03533.</span>
7.  <span id="cite_note-7">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-7) Robertson, S., Zaragoza, H. (2009). *The Probabilistic Relevance Framework: BM25 and Beyond*. DOI:10.1561/1500000019.</span>
8.  <span id="cite_note-8">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-8) Formal, T., Piwowarski, B., Clinchant, S. (2021). *SPLADE: Sparse Lexical and Expansion Model for First Stage Ranking*. arXiv:2107.05720.</span>
9.  <span id="cite_note-9">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-9) Formal, T. et al. (2022). *Making Sparse Neural IR Models More Effective*. Findings of EMNLP. arXiv:2205.04733.</span>
10. <span id="cite_note-10">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-10) Formal, T. et al. (2024). *SPLADE‑v3: New baselines for SPLADE*. arXiv:2403.06789.</span>
11. <span id="cite_note-11">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-11) Lin, J., Ma, X. (2021). *A Few Brief Notes on DeepImpact, COIL, and uniCOIL*. arXiv:2106.14807.</span>
12. <span id="cite_note-12">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-12) Karpukhin, V. et al. (2020). *Dense Passage Retrieval for Open‑Domain QA*. EMNLP. arXiv:2004.04906.</span>
13. <span id="cite_note-13">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-13) Xiong, L. et al. (2021). *Approximate Nearest Neighbor Negative Contrastive Learning for Dense Text Retrieval (ANCE)*. ICLR. arXiv:2007.00808.</span>
14. <span id="cite_note-14">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-14) Izacard, G. et al. (2022). TACL. arXiv:2112.09118.</span>
15. <span id="cite_note-15">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-15) Ni, J. et al. (2021/2022). *Large Dual Encoders Are Generalizable Retrievers (GTR)*. EMNLP. arXiv:2112.07899.</span>
16. <span id="cite_note-16">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-16) Wang, L. et al. (2022/2024). arXiv:2212.03533.</span>
17. <span id="cite_note-17">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-17) Khattab, O., Zaharia, M. (2020). *ColBERT: Efficient and Effective Passage Search via Contextualized Late Interaction over BERT*. SIGIR. arXiv:2004.12832.</span>
18. <span id="cite_note-18">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-18) Santhanam, K. et al. (2022). *ColBERTv2 & PLAID*. NAACL/ArXiv. arXiv:2112.01488; arXiv:2205.09707.</span>
19. <span id="cite_note-19">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-19) Scheerer, J.L. et al. (2025). *WARP: An Efficient Engine for Multi‑Vector Retrieval*. arXiv:2501.17788.</span>
20. <span id="cite_note-20">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-20) Lin, J. et al. (2021). *Pyserini: A Python Toolkit for Reproducible IR with Sparse and Dense Representations*. SIGIR. <a href="https://cs.uwaterloo.ca/~jimmylin/publications/Lin_etal_SIGIR2021_Pyserini.pdf" class="external text" rel="nofollow">PDF</a>.</span>
21. <span id="cite_note-21">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-21) Cormack, G.V., Clarke, C.L.A., Büttcher, S. (2009). SIGIR. <a href="https://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf" class="external text" rel="nofollow">PDF</a>.</span>
22. <span id="cite_note-22">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-22) Elastic Docs. *Reciprocal Rank Fusion*. (доступ 2025‑09‑10). <a href="https://www.elastic.co/docs/reference/elasticsearch/rest-apis/reciprocal-rank-fusion" class="external text" rel="nofollow">elastic.co/docs/.../reciprocal-rank-fusion</a>.</span>
23. <span id="cite_note-23">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-23) OpenSearch Docs. *Score ranker processor (RRF)*. (доступ 2025‑09‑10). <a href="https://docs.opensearch.org/3.0/search-plugins/search-pipelines/score-ranker-processor/" class="external text" rel="nofollow">docs.opensearch.org/.../score-ranker-processor/</a>.</span>
24. <span id="cite_note-24">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-24) Fox, E.A., Shaw, J.A. (1994). *Combination of Multiple Searches*. TREC‑2, NIST SP 500‑215, 243–252. <a href="https://www.khoury.northeastern.edu/home/jaa/CSG339.06F/resources/fox94combination.pdf" class="external text" rel="nofollow">PDF</a>.</span>
25. <span id="cite_note-25">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-25) Lee, J.H. (1997). *Analyses of Multiple Evidence Combination*. SIGIR, 267–276. DOI:10.1145/258525.258587.</span>
26. <span id="cite_note-26">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-26) Hsu, D.F., Taksa, I. (2005). *Comparing Rank and Score Combination Methods for Data Fusion in IR*. (Tech. report). <a href="https://ccc.inaoep.mx/~villasen/bib/Hsu-FusionInIR07.pdf" class="external text" rel="nofollow">PDF</a>.</span>
27. <span id="cite_note-27">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-27) Bruch, S., Gai, S., Ingber, A. (2023). TOIS. DOI:10.1145/3596512.</span>
28. <span id="cite_note-28">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-28) Hsu, D.F., Taksa, I. (2005). см. выше.</span>
29. <span id="cite_note-29">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-29) Bruch, S., Gai, S., Ingber, A. (2023). TOIS. DOI:10.1145/3596512.</span>
30. <span id="cite_note-30">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-30) Nogueira, R., Cho, K. (2019). *Passage Re‑ranking with BERT*. arXiv:1901.04085.</span>
31. <span id="cite_note-31">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-31) Nogueira, R., Jiang, Z., Lin, J. (2020). *Document Ranking with a Pretrained Sequence‑to‑Sequence Model (MonoT5)*. Findings of EMNLP. arXiv:2003.06713.</span>
32. <span id="cite_note-32">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-32) Santhanam, K. et al. (2022). arXiv:2205.09707.</span>
33. <span id="cite_note-33">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-33) Scheerer, J.L. et al. (2025). arXiv:2501.17788.</span>
34. <span id="cite_note-34">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-34) Dean, J., Barroso, L.A. (2013). *The Tail at Scale*. CACM 56(2):74–80. DOI:10.1145/2408776.2408794.</span>
35. <span id="cite_note-35">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-35) Thakur, N. et al. (2021). *BEIR: A Heterogeneous Benchmark for Zero‑shot Evaluation of IR Models*. NeurIPS Datasets & Benchmarks. arXiv:2104.08663.</span>
36. <span id="cite_note-36">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-36) Craswell, N. et al. (2020). *Overview of the TREC 2019 Deep Learning Track*. arXiv:2003.07820.</span>
37. <span id="cite_note-37">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-37) Craswell, N. et al. (2021). *Overview of the TREC 2020 Deep Learning Track*. arXiv:2102.07662.</span>
38. <span id="cite_note-38">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-38) Bajaj, P. et al. (2016). *MS MARCO: A Human Generated MAchine Reading COmprehension Dataset*. arXiv:1611.09268.</span>
39. <span id="cite_note-39">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-39) Järvelin, K., Kekäläinen, J. (2002). *Cumulated Gain‑Based Evaluation of IR Techniques*. Information Retrieval 6:241–256. DOI:10.1023/A:1016043826386.</span>
40. <span id="cite_note-40">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-40) Dean, J., Barroso, L.A. (2013). CACM. DOI:10.1145/2408776.2408794.</span>
41. <span id="cite_note-41">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-41) Bruch, S. et al. (2023). DOI:10.1145/3596512.</span>
42. <span id="cite_note-42">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-42) Ni, J. et al. (2021/2022). arXiv:2112.07899.</span>
43. <span id="cite_note-43">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-43) Johnson, J., Douze, M., Jégou, H. (2017). *Billion‑scale Similarity Search with GPUs (FAISS)*. arXiv:1702.08734.</span>
44. <span id="cite_note-44">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-44) Malkov, Y., Yashunin, D. (2020). *HNSW*. IEEE TPAMI 42(4):824–836. DOI:10.1109/TPAMI.2018.2889473.</span>
45. <span id="cite_note-45">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-45) Guo, R. et al. (2020). *ScaNN: Efficient Vector Similarity Search at Scale*. arXiv:1908.10396.</span>
46. <span id="cite_note-46">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-46) Yang, P., Fang, H., Lin, J. (2018). *Anserini: Reproducible IR Research with Lucene*. JDIQ 10(4):1–20. DOI:10.1145/3239571.</span>
47. <span id="cite_note-47">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-47) Lin, J. et al. (2021). SIGIR. <a href="https://cs.uwaterloo.ca/~jimmylin/publications/Lin_etal_SIGIR2021_Pyserini.pdf" class="external text" rel="nofollow">PDF</a>.</span>
48. <span id="cite_note-48">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-48) Qdrant Docs. *Hybrid queries (RRF, DBSF)*. (доступ 2025‑09‑10). <a href="https://qdrant.tech/documentation/concepts/hybrid-queries/" class="external text" rel="nofollow">qdrant.tech/.../hybrid-queries/</a>.</span>
49. <span id="cite_note-49">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-49) Weaviate Docs. *Hybrid search*. (доступ 2025‑09‑10). <a href="https://docs.weaviate.io/weaviate/search/hybrid" class="external text" rel="nofollow">docs.weaviate.io/weaviate/search/hybrid</a>.</span>
50. <span id="cite_note-50">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-50) pgvector GitHub. (доступ 2025‑09‑10). <a href="https://github.com/pgvector/pgvector" class="external text" rel="nofollow">github.com/pgvector/pgvector</a>.</span>
51. <span id="cite_note-51">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-51) Vespa Docs. *Hybrid Text Search Tutorial*. (доступ 2025‑09‑10). <a href="https://docs.vespa.ai/en/tutorials/hybrid-search.html" class="external text" rel="nofollow">docs.vespa.ai/.../hybrid-search.html</a>.</span>
52. <span id="cite_note-52">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-52) Elastic Docs. *Reciprocal Rank Fusion*. (доступ 2025‑09‑10). <a href="https://www.elastic.co/docs/reference/elasticsearch/rest-apis/reciprocal-rank-fusion" class="external text" rel="nofollow">elastic.co/docs/.../rrf</a>.</span>
53. <span id="cite_note-53">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-53) Lewis, P. et al. (2020). *Retrieval‑Augmented Generation for Knowledge‑Intensive NLP Tasks*. NeurIPS. arXiv:2005.11401.</span>
54. <span id="cite_note-54">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-54) Hsu, D.F., Taksa, I. (2005). см. выше.</span>
55. <span id="cite_note-55">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-55) Ni, J. et al. (2021/2022). arXiv:2112.07899.</span>
56. <span id="cite_note-56">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-56) Formal, T. et al. (2021, 2022, 2024). arXiv:2107.05720; 2205.04733; 2403.06789.</span>
57. <span id="cite_note-57">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-57) Lewis, P. et al. (2020). arXiv:2005.11401.</span>
58. <span id="cite_note-58">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-58) Gao, L. et al. (2023). *Precise Zero‑Shot Dense Retrieval without Relevance Labels (HyDE)*. ACL. arXiv:2212.10496.</span>
59. <span id="cite_note-59">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-59) Nogueira, R. et al. (2019). *Document Expansion by Query Prediction*. arXiv:1904.08375; *docTTTTTquery*. <a href="https://cs.uwaterloo.ca/~jimmylin/publications/Nogueira_Lin_2019_docTTTTTquery-v2.pdf" class="external text" rel="nofollow">PDF</a>.</span>
60. <span id="cite_note-60">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-60) Santhanam, K. et al. (2022). arXiv:2205.09707.</span>
61. <span id="cite_note-61">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-61) Scheerer, J.L. et al. (2025). arXiv:2501.17788.</span>
62. <span id="cite_note-62">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-62) Pyserini *BEIR Regressions* (доступ 2025‑09‑10): результаты по *trec‑covid* для BM25/SPLADE/Contriever/BGE/Cohere. <a href="https://castorini.github.io/pyserini/2cr/beir.html" class="external text" rel="nofollow">castorini.github.io/pyserini/2cr/beir.html</a>.</span>
63. <span id="cite_note-63">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-63) Robertson, S., Zaragoza, H. (2009). DOI:10.1561/1500000019.</span>
64. <span id="cite_note-64">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-64) Pyserini BEIR. См. ссылку выше.</span>
65. <span id="cite_note-65">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-65) Formal, T. et al. (2021, 2022). arXiv:2107.05720; 2205.04733.</span>
66. <span id="cite_note-66">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-66) Pyserini BEIR.</span>
67. <span id="cite_note-67">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-67) Izacard, G. et al. (2022). arXiv:2112.09118.</span>
68. <span id="cite_note-68">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-68) Pyserini BEIR.</span>
69. <span id="cite_note-69">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-69) Pyserini BEIR.</span>
70. <span id="cite_note-70">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-70) Pyserini BEIR.</span>
71. <span id="cite_note-71">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-71) Cormack et al. (2009). SIGIR. RRF.</span>
72. <span id="cite_note-72">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-72) Bruch et al. (2023). TOIS.</span>
73. <span id="cite_note-73">[↑](https://systems-analysis.info/int/Hybrid_retrieval_(HE)#cite_ref-73) Elastic/OpenSearch RRF Docs.</span>