---
title: "Hypothetical Document Embeddings (HyDE) (HI)"
source: "https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)"
wiki: "systems-analysis.info/int"
article: "Hypothetical_Document_Embeddings_(HyDE)_(HI)"
language: "hi"
categories:
  - "Category:Hindi"
  - "Category:Large language models"
  - "Category:Pages with math errors"
  - "Category:Pages with math render errors"
  - "Category:Prompt engineering"
revision_id: 3113
wiki_created_at: 2026-09-06T23:15:53Z
wiki_modified_at: 2026-09-06T23:15:53Z
downloaded_at: 2026-09-07T22:55:14Z
---

# Hypothetical Document Embeddings (HyDE) (HI)

**Hypothetical Document Expansion (HyDE)** — वेक्टर retrieval और retrieval‑augmented generation (RAG) को बेहतर बनाने की एक विधि है, जिसमें एक बड़ा भाषा मॉडल (LLM) मूल प्रश्न के आधार पर एक «काल्पनिक दस्तावेज़» उत्पन्न करता है; फिर इस पाठ को encoder द्वारा वेक्टर में बदला जाता है, और प्राप्त वेक्टर के निकटतम वास्तविक दस्तावेज़ों में खोज की जाती है। यह दृष्टिकोण LLM में एन्कोड की गई «प्रासंगिकता के पैटर्न» का उपयोग करने और उन्हें घने embedding के माध्यम से corpus से जोड़ने की अनुमति देता है<sup>[\[1\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-1)</sup>।

## परिभाषा और अंतर्ज्ञान

HyDE खोज कार्य को दो चरणों में विभाजित करता है:

\(1\) LLM प्रश्न के लिए «प्रासंगिक उत्तर का उदाहरण» (*hypothetical document*) बनाता है, जिससे प्रासंगिकता के लक्षण मॉडल किए जाते हैं;

\(2\) एक contrastive encoder (जैसे Contriever) इस पाठ को वेक्टर में रूपांतरित करता है, जिसके आधार पर index से वास्तविक दस्तावेज़ निकाले जाते हैं। उत्पन्न पाठ में तथ्यात्मक त्रुटियाँ हो सकती हैं, लेकिन महत्वपूर्ण वे विषयगत और शब्दावली संबंधी पैटर्न हैं जिन्हें encoder पकड़ता है<sup>[\[2\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-2)</sup>।

## इतिहास और स्रोत

सिंथेटिक पाठों से खोज विस्तार का विचार query expansion और छद्म-प्रासंगिक प्रतिक्रिया (PRF) पर हुए शोध से आता है: Rocchio एल्गोरिदम और प्रासंगिकता भाषा मॉडल<sup>[\[3\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-3)[\[4\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-4)</sup>। घने retrieval के लिए contrastive रूप से प्रशिक्षित encoder (Contriever)<sup>[\[5\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-5)</sup> और Dense Passage Retrieval (DPR)<sup>[\[6\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-6)</sup> का उपयोग किया गया। BEIR benchmark ने zero‑shot मूल्यांकन को मानकीकृत किया<sup>[\[7\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-7)</sup>। इसी पृष्ठभूमि पर HyDE को encoder के fine-tuning के बिना LLM के माध्यम से zero-shot मोड में प्रासंगिकता का ज्ञान «लाने» के तरीके के रूप में प्रस्तावित किया गया<sup>[\[8\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-8)</sup>।

## विधि और औपचारीकरण

मान लीजिए दस्तावेज़ों का corpus $\mathcal{D} = \{ d_{1},\ldots,d_{N}\}$ है, और पाठ encoder $E:\text{text} \rightarrow {\mathbb{R}}^{n}$ दस्तावेज़ों के वेक्टर प्रतिनिधित्व $\mathbf{v}_{d} = E(d)$ निर्धारित करता है। निकटता मापने के लिए या तो cosine similarity या scalar product का उपयोग किया जाता है; एक महत्वपूर्ण टिप्पणी: \*\*scalar product, cosine similarity के बराबर केवल तभी होता है जब दोनों वेक्टर की L2‑norm इकाई हो\*\* ($\|\mathbf{u}\| = \|\mathbf{v}\| = 1$)<sup>[\[9\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-9)</sup>।

HyDE, LLM द्वारा उत्पन्न «काल्पनिक दस्तावेज़» के माध्यम से query के प्रतिनिधित्व को पुनर्परिभाषित करता है। औपचारिक रूप से:

$$
\begin{matrix}
 & \text{(1) Генерация гипотетического текста:} & & {\overset{\sim}{d}\; = \; G\!\left( q;\,{inst} \right),} \\
 & \text{(2) Эмбеддинг гипотетического текста:} & & {\mathbf{v}_{h}\; = \; E(\overset{\sim}{d}),} \\
 & \text{(3) Поиск ближайших соседей:} & & {\mathcal{R}_{k}(q)\; = \;{TopK}_{\, d \in \mathcal{D}}\; S\!\left( \mathbf{v}_{h},\mathbf{v}_{d} \right),}
\end{matrix}
$$

जहाँ $G$ — निर्देश $inst$ के साथ LLM (उदाहरणतः: «एक अनुच्छेद लिखें जो प्रश्न का उत्तर देता हो …»), $S$ — similarity माप (cosine या normalization के साथ IP), और $\mathcal{R}_{k}(q)$ — अधिकतम similarity वाले $k$ दस्तावेज़ों का समुच्चय<sup>[\[10\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-10)[\[11\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-11)</sup>।

इंजीनियरिंग व्यवहार में अक्सर \*\*कई\*\* काल्पनिक पाठ उत्पन्न किए जाते हैं और उनके प्रतिनिधित्वों को एकत्रित किया जाता है, जिससे स्थिरता बढ़ती है:

$$
{\overset{\sim}{d}}^{(j)} = G\!\left( q;\,{inst},\xi_{j} \right),\quad\mathbf{v}_{h}\; = \;\frac{1}{m}\sum\limits_{j = 1}^{m}E\!\left( {\overset{\sim}{d}}^{(j)} \right),
$$

जहाँ $\xi_{j}$ — stochastic decoding पैरामीटर (जैसे temperature/top‑p)। इस प्रकार की ensembling, latency में मध्यम वृद्धि के साथ Recall को बेहतर बनाती है<sup>[\[12\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-12)</sup>।

### HyDE का मूल pipeline

    # 1) prompt(query) -> hypothetical_doc
    # 2) embed(hypothetical_doc) -> v_h
    # 3) retrieve(index, v_h, k) -> candidates
    # 4) (optional) rerank(query, candidates) -> topN
    # 5) (для RAG) stuff / map-reduce / refine на topN

### अन्य विधियों से संबंध (QE, doc2query, PRF)

- **QE (query expansion)** query में शब्द जोड़ता है; HyDE इसके बजाय एक पूरा «quasi-document» उत्पन्न करता है, जो घने encoder के साथ बेहतर संगत है<sup>[\[13\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-13)</sup>।
- **doc2query / docTTTTTquery** indexing से पहले सिंथेटिक queries से **दस्तावेज़ों** का विस्तार करते हैं<sup>[\[14\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-14)[\[15\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-15)</sup>; HyDE **query** का विस्तार runtime पर करता है, re-indexing की आवश्यकता नहीं।
- **PRF** (Rocchio, Relevance LM) शीर्ष परिणामों के आधार पर query वेक्टर को अपडेट करता है; HyDE «प्रासंगिकता का पैटर्न» सीधे LLM से निकालता है और फिर corpus पर retrieval द्वारा उसे «जमीन» देता है<sup>[\[16\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-16)</sup>।

## RAG और पुनः-रैंकिंग में एकीकरण

RAG में HyDE को retrieval के पहले चरण के रूप में लागू किया जाता है: काल्पनिक दस्तावेज़ → embedding → k उम्मीदवार। इसके बाद पुनः-रैंकिंग का उपयोग किया जाता है: BERT-श्रेणी के cross-encoder<sup>[\[17\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-17)</sup> या ColBERT के साथ late interaction<sup>[\[18\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-18)</sup>। सूचियों के विलय के लिए (जैसे BM25+vector का हाइब्रिड) आमतौर पर RRF (*reciprocal rank fusion*) का उपयोग किया जाता है: $\operatorname{RRF}(d) = \sum\limits_{r \in \mathcal{R}}\frac{1}{k + \operatorname{rank}_{r}(d)},\qquad k \approx 60.$ RRF विधि संयुक्त रैंकिंग की समग्र गुणवत्ता को स्थिर रूप से बेहतर बनाती है<sup>[\[19\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-19)</sup>।

## benchmark पर मूल्यांकन (BEIR आदि)

मूल शोध TREC DL'19/20 (वेब खोज) और BEIR collection के उपसमुच्चय (Scifact, ArguAna, TREC‑COVID, FiQA, DBPedia, TREC‑NEWS, Climate‑FEVER) पर zero-shot मोड में HyDE का मूल्यांकन करता है। परिणामों का अंश — *2023‑07 की स्थिति के अनुसार*:

| विधि                      | DL19                   | DL20                   | स्रोत                                                                                                             |
|---------------------------|------------------------|------------------------|------------------------------------------------------------------------------------------------------------------|
| BM25                      | 30.1 / 50.6 / 75.0     | 28.6 / 48.0 / 78.6     | <sup>[\[20\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-20)</sup> |
| Contriever (unsup.)       | 24.0 / 44.5 / 74.6     | 24.0 / 42.1 / 75.4     | <sup>[\[21\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-21)</sup> |
| **HyDE** (Contriever+LLM) | **41.8 / 61.3 / 88.0** | **38.2 / 57.9 / 84.4** | <sup>[\[22\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-22)</sup> |
| DPR (ft)                  | 36.5 / 62.2 / 76.9     | 41.8 / 65.3 / 81.4     | <sup>[\[23\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-23)</sup> |
| ANCE (ft)                 | 37.1 / 64.5 / 75.5     | 40.8 / 64.6 / 77.6     | <sup>[\[24\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-24)</sup> |

*TREC DL19/20 (वेब खोज)* — mAP / nDCG@10 / Recall@1k

| विधि       | Scifact         | ArguAna         | TREC‑COVID      | FiQA        | DBPedia     | TREC‑NEWS       | Climate‑FEVER   | स्रोत                                                                                                             |
|------------|-----------------|-----------------|-----------------|-------------|-------------|-----------------|-----------------|------------------------------------------------------------------------------------------------------------------|
| BM25       | 67.9 / 92.5     | 39.7 / 93.2     | **59.5 / 49.8** | 23.6 / 54.0 | 31.8 / 46.8 | 39.5 / 44.7     | 16.5 / 42.5     | <sup>[\[25\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-25)</sup> |
| Contriever | 64.9 / 92.6     | 37.9 / 90.1     | 27.3 / 17.2     | 24.5 / 56.2 | 29.2 / 45.3 | 34.8 / 42.3     | 15.5 / 44.1     | <sup>[\[26\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-26)</sup> |
| **HyDE**   | **69.1 / 96.4** | **46.6 / 97.9** | 59.3 / 41.4     | 27.3 / 62.1 | 36.8 / 47.2 | **44.0 / 50.9** | **22.3 / 53.0** | <sup>[\[27\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-27)</sup> |

*BEIR (संग्रह का चयन)* — nDCG@10 / Recall@100

HyDE बहुभाषी संग्रह Mr.TyDi (sw/ko/ja/bn) पर mContriever की तुलना में MRR@100 को भी बेहतर बनाता है<sup>[\[28\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-28)</sup>।

## व्यावहारिक सुझाव

HyDE कब लागू करें

- Zero-shot/transfer मोड (कोई प्रासंगिकता लेबल नहीं; प्रशिक्षण corpus से डोमेन की «असमानता»)<sup>[\[29\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-29)</sup>।
- जब स्वीकार्य सटीकता के साथ Recall@k बढ़ाना आवश्यक हो — HyDE अक्सर वेक्टर स्पेस के प्रासंगिक क्षेत्रों को «खोलता» है<sup>[\[30\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-30)</sup>।

सामान्य सेटिंग्स

- **LLM और prompt**: निर्देश «एक अनुच्छेद लिखें जो प्रश्न का उत्तर देता हो …»; मध्यम stochasticity (जैसे *temperature*≈0.7)<sup>[\[31\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-31)</sup>।
- **काल्पनिक पाठों की संख्या**: 1–5; embedding का औसत स्थिरता बढ़ाता है<sup>[\[32\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-32)</sup>।
- **Embedder**: fine-tuning के बिना (m)Contriever; fine-tuned encoder का उपयोग भी संभव है (HyDE का प्रभाव बना रहता है)<sup>[\[33\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-33)</sup>।
- **Embedding का normalization**: L2‑norm; internal product cosine के समतुल्य होता है<sup>[\[34\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-34)</sup>।
- **Hybrid retrieval**: BM25+vector के बाद पुनः-रैंकिंग<sup>[\[35\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-35)</sup>।
- **Re-ranker**: Cross-Encoder (BERT re‑ranker)<sup>[\[36\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-36)</sup> या ColBERT<sup>[\[37\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-37)</sup>।
- **विभिन्न रणनीतियों के परिणामों का विलय**: RRF (*k*≈60)<sup>[\[38\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-38)</sup>।

गुणवत्ता/लागत की निगरानी

- Retrieval: nDCG@k, Recall@k, MRR; end‑to‑end RAG: EM/F1 या *groundedness* मेट्रिक्स (RAGAS/TruLens)<sup>[\[39\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-39)[\[40\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-40)</sup>।
- लागत/latency: LLM द्वारा उत्पन्नता और (यदि हो) पुनः-रैंकिंग प्रमुख कारक हैं; «काल्पनिक» पाठों की संख्या और उत्तर की लंबाई से अनुकूलित किया जाता है<sup>[\[41\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-41)</sup>।

## सीमाएँ और खुले प्रश्न

- **काल्पनिक पाठ में hallucination**: LLM तथ्यात्मक त्रुटियाँ उत्पन्न कर सकता है; encoder और corpus के माध्यम से «आधारभूमीकरण» जोखिम कम करता है, लेकिन पूरी तरह समाप्त नहीं करता<sup>[\[42\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-42)</sup>।
- **डोमेन/भाषा संबंधी सीमाएँ**: अत्यंत विशिष्ट डोमेन और कम-संसाधन भाषाओं में HyDE का लाभ कम होता है<sup>[\[43\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-43)</sup>।
- **Latency और लागत**: LLM द्वारा उत्पन्नता विलंब और token-लागत जोड़ती है; ऑनलाइन परिदृश्यों और लंबे «काल्पनिक» पाठों के लिए यह महत्वपूर्ण है<sup>[\[44\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-44)</sup>।
- **नैतिकता और पूर्वाग्रह**: सुरक्षित LLM और फ़िल्टरिंग का उपयोग करना बेहतर है<sup>[\[45\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-45)</sup>।

## विधियों की तुलनात्मक तालिका

| विधि                      | श्रेणी             | पाठ कहाँ उत्पन्न होता है              | Encoder/Index        | Re-ranker (दूसरा चरण)         | सामान्य मेट्रिक्स (उदाहरण)                             | लागत/Latency                        | स्रोत                                                                                                                                                                                                                  |
|---------------------------|------------------|-----------------------------------|----------------------|------------------------------|----------------------------------------------------|-------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| **HyDE**                  | Query→*hypo‑doc* | Query की ओर (LLM → अनुच्छेद)         | (m)Contriever; ANN   | BERT re‑rank / ColBERT / RRF | DL19 nDCG@10≈61.3; DL20≈57.9; ArguAna nDCG@10≈46.6 | \+ LLM उत्पन्नता; + पुनः-रैंकिंग (वैकल्पिक) | <sup>[\[46\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-46)</sup>                                                                                                      |
| BM25                      | शाब्दिक           | —                                 | Inverted index       | वैकल्पिक                       | तालिका देखें (ऊपर)                                    | कम (lexical)                        | <sup>[\[47\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-47)</sup>                                                                                                      |
| DPR / ANCE                | घना (ft)         | —                                 | Bi-encoder; ANN      | वैकल्पिक                       | DL19 nDCG@10≈62–65                                 | मध्यम (LLM के बिना)                   | <sup>[\[48\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-48)[\[49\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-49)</sup> |
| doc2query / docTTTTTquery | दस्तावेज़ विस्तार    | Collection की ओर (indexing से पहले) | BM25/sparse+expanded | वैकल्पिक                       | MS MARCO पर BM25 में सुधार                            | उच्च offline उत्पन्नता; तीव्र ऑनलाइन    | <sup>[\[50\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-50)[\[51\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-51)</sup> |
| PRF (Rocchio, RLM)        | feedback पर QE   | Query (शीर्ष परिणामों के अनुसार)      | कोई भी               | वैकल्पिक                       | Recall में वृद्धि/drift के जोखिम                        | \+ अतिरिक्त retrieval पास            | <sup>[\[52\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_note-52)</sup>                                                                                                      |

HyDE और संबंधित दृष्टिकोणों की तुलना

## यह भी देखें

- BM25
- वेक्टर प्रतिनिधित्व द्वारा खोज,
- RAG
- छद्म-प्रासंगिक प्रतिक्रिया
- BEIR

## साहित्य

- 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 IR, 3(4), 333–389. DOI:10.1561/1500000019.

## संदर्भ

- HyDE repository: github.com/texttron/hyde.
- दस्तावेज़ीकरण: Haystack — HyDE: docs.haystack.deepset.ai.
- दस्तावेज़ीकरण: LangChain — HyDE Retriever: docs.langchain.com.

## टिप्पणियाँ

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-1) Gao, L.; Ma, X.; Lin, J.; Callan, J. (2023). ‘‘Precise Zero‑Shot Dense Retrieval without Relevance Labels (HyDE)’’. ACL 2023. pp. 1762–1777. DOI:10.18653/v1/2023.acl-long.99. <a href="https://arxiv.org/abs/2212.10496" class="external text" rel="nofollow">arXiv:2212.10496</a></span>
2.  <span id="cite_note-2">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-2) Gao, L. et al. (2023). ACL 2023, §3.2. DOI:10.18653/v1/2023.acl-long.99.</span>
3.  <span id="cite_note-3">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-3) Rocchio, J. (1971). ‘‘Relevance Feedback in Information Retrieval’’. In: Salton, G. (ed.) *The SMART Retrieval System*. Prentice‑Hall, pp. 313–323. ISBN 978‑0138145255.</span>
4.  <span id="cite_note-4">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-4) Lavrenko, V.; Croft, W. B. (2001). ‘‘Relevance‑Based Language Models’’. SIGIR. DOI:10.1145/383952.383972.</span>
5.  <span id="cite_note-5">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-5) Izacard, G. et al. (2021/2022). ‘‘Unsupervised Dense Information Retrieval with Contrastive Learning’’. <a href="https://arxiv.org/abs/2112.09118" class="external text" rel="nofollow">arXiv:2112.09118</a>.</span>
6.  <span id="cite_note-6">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-6) Karpukhin, V. et al. (2020). ‘‘Dense Passage Retrieval for Open‑Domain QA’’. EMNLP. DOI:10.18653/v1/2020.emnlp-main.550.</span>
7.  <span id="cite_note-7">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-7) Thakur, N. et al. (2021). ‘‘BEIR: A Heterogeneous Benchmark for Zero‑shot Evaluation of Information Retrieval Models’’. NeurIPS Datasets Track. <a href="https://arxiv.org/abs/2104.08663" class="external text" rel="nofollow">arXiv:2104.08663</a>.</span>
8.  <span id="cite_note-8">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-8) Gao, L. et al. (2023). DOI:10.18653/v1/2023.acl-long.99.</span>
9.  <span id="cite_note-9">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-9) Milvus Docs. ‘‘Similarity Metrics’’ — при L2‑нормализации векторов внутр. произведение эквивалентно косинусу. URL: <a href="https://milvus.io/docs/v2.2.x/metric.md" class="external free" rel="nofollow">https://milvus.io/docs/v2.2.x/metric.md</a></span>
10. <span id="cite_note-10">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-10) Gao, L.; Ma, X.; Lin, J.; Callan, J. (2023). ‘‘Precise Zero‑Shot Dense Retrieval without Relevance Labels (HyDE)’’. ACL 2023, §3–4. arXiv:2212.10496. DOI:10.18653/v1/2023.acl-long.99.</span>
11. <span id="cite_note-11">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-11) Izacard, G. et al. (2021/2022). ‘‘Unsupervised Dense Information Retrieval with Contrastive Learning (Contriever)’’. arXiv:2112.09118.</span>
12. <span id="cite_note-12">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-12) Gao, L. et al. (2023). Прил. (ablation): влияние числа гипотетических текстов и параметров генерации. arXiv:2212.10496.</span>
13. <span id="cite_note-13">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-13) Gao, L. et al. (2023). DOI:10.18653/v1/2023.acl-long.99.</span>
14. <span id="cite_note-14">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-14) Nogueira, R. et al. (2019). ‘‘Document Expansion by Query Prediction’’ (doc2query). <a href="https://arxiv.org/abs/1904.08375" class="external text" rel="nofollow">arXiv:1904.08375</a>.</span>
15. <span id="cite_note-15">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-15) Nogueira, R.; Lin, J. (2019). ‘‘From doc2query to docTTTTTquery’’ (tech report). <a href="https://cs.uwaterloo.ca/~jimmylin/publications/Nogueira_Lin_2019_docTTTTTquery-v2.pdf" class="external text" rel="nofollow">PDF</a></span>
16. <span id="cite_note-16">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-16) Rocchio, J. (1971); Lavrenko & Croft (2001), см. выше.</span>
17. <span id="cite_note-17">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-17) Nogueira, R.; Cho, K. (2019). ‘‘Passage Re‑ranking with BERT’’. <a href="https://arxiv.org/abs/1901.04085" class="external text" rel="nofollow">arXiv:1901.04085</a>.</span>
18. <span id="cite_note-18">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-18) Khattab, O.; Zaharia, M. (2020). ‘‘ColBERT: Efficient and Effective Passage Search via Contextualized Late Interaction over BERT’’. SIGIR. DOI:10.1145/3397271.3401075; <a href="https://arxiv.org/abs/2004.12832" class="external text" rel="nofollow">arXiv:2004.12832</a>.</span>
19. <span id="cite_note-19">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-19) Cormack, G. V.; Clarke, C. L. A.; Büttcher, S. (2009). ‘‘Reciprocal Rank Fusion Outperforms Condorcet and Nearly Optimally Combines Rankings’’. SIGIR. DOI:10.1145/1571941.1572114.</span>
20. <span id="cite_note-20">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-20) Gao, L. et al. (2023). Табл. 1. DOI:10.18653/v1/2023.acl-long.99.</span>
21. <span id="cite_note-21">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-21) Izacard, G. et al. (2022); сводные метрики — в Gao et al., 2023, табл. 1. arXiv:2112.09118.</span>
22. <span id="cite_note-22">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-22) Gao, L. et al. (2023). Табл. 1.</span>
23. <span id="cite_note-23">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-23) Karpukhin, V. et al. (2020); сводные — в Gao et al., 2023.</span>
24. <span id="cite_note-24">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-24) Xiong, L. et al. (2021). ICLR. <a href="https://arxiv.org/abs/2007.00808" class="external text" rel="nofollow">arXiv:2007.00808</a>.</span>
25. <span id="cite_note-25">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-25) Thakur, N. et al. (2021); сводные — в Gao et al., 2023, табл. 2. arXiv:2104.08663.</span>
26. <span id="cite_note-26">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-26) Izacard, G. et al. (2022); сводные — в Gao et al., 2023, табл. 2.</span>
27. <span id="cite_note-27">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-27) Gao, L. et al. (2023). Табл. 2.</span>
28. <span id="cite_note-28">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-28) Gao, L. et al. (2023). Табл. 3. DOI:10.18653/v1/2023.acl-long.99.</span>
29. <span id="cite_note-29">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-29) Gao, L. et al. (2023). §4–5.</span>
30. <span id="cite_note-30">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-30) Gao, L. et al. (2023). §4.2–4.3.</span>
31. <span id="cite_note-31">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-31) Gao, L. et al. (2023). §4.1.</span>
32. <span id="cite_note-32">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-32) Haystack Docs. ‘‘Hypothetical Document Embeddings (HyDE)’’ (инженерная справка). <a href="https://docs.haystack.deepset.ai/docs/hypothetical-document-embeddings-hyde" class="external text" rel="nofollow">docs.haystack.deepset.ai</a></span>
33. <span id="cite_note-33">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-33) Gao, L. et al. (2023). Табл. 6.</span>
34. <span id="cite_note-34">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-34) Milvus Docs. ‘‘Similarity Metrics’’.</span>
35. <span id="cite_note-35">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-35) Haystack × Milvus Integration (официальная док.). <a href="https://haystack.deepset.ai/integrations/milvus-document-store" class="external text" rel="nofollow">haystack.deepset.ai</a></span>
36. <span id="cite_note-36">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-36) Nogueira, R.; Cho, K. (2019). arXiv:1901.04085.</span>
37. <span id="cite_note-37">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-37) Khattab, O.; Zaharia, M. (2020). DOI:10.1145/3397271.3401075.</span>
38. <span id="cite_note-38">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-38) Cormack, G. V. et al. (2009). DOI:10.1145/1571941.1572114.</span>
39. <span id="cite_note-39">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-39) Manning, C. D.; Raghavan, P.; Schütze, H. (2008). *Introduction to Information Retrieval*. Cambridge Univ. Press. ISBN 978‑0521865715.</span>
40. <span id="cite_note-40">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-40) Es, S. et al. (2023). ‘‘RAGAS: Automated Evaluation of Retrieval‑Augmented Generation’’. <a href="https://arxiv.org/abs/2309.15217" class="external text" rel="nofollow">arXiv:2309.15217</a>.</span>
41. <span id="cite_note-41">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-41) Gao, L. et al. (2023). §5.</span>
42. <span id="cite_note-42">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-42) Gao, L. et al. (2023). §3.2; §4.1. DOI:10.18653/v1/2023.acl-long.99.</span>
43. <span id="cite_note-43">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-43) Gao, L. et al. (2023). Табл. 3; §4.4.</span>
44. <span id="cite_note-44">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-44) Gao, L. et al. (2023). §4–5.</span>
45. <span id="cite_note-45">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-45) Ouyang, L. et al. (2022). ‘‘Training language models to follow instructions with human feedback (InstructGPT)’’. NeurIPS. <a href="https://arxiv.org/abs/2203.02155" class="external text" rel="nofollow">arXiv:2203.02155</a>.</span>
46. <span id="cite_note-46">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-46) Gao, L. et al. (2023). Табл. 1–2.</span>
47. <span id="cite_note-47">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-47) Robertson, S.; Zaragoza, H. (2009). ‘‘The Probabilistic Relevance Framework: BM25 and Beyond’’. Found. Trends IR. DOI:10.1561/1500000019.</span>
48. <span id="cite_note-48">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-48) Karpukhin, V. et al. (2020). DOI:10.18653/v1/2020.emnlp-main.550.</span>
49. <span id="cite_note-49">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-49) Xiong, L. et al. (2021). <a href="https://arxiv.org/abs/2007.00808" class="external text" rel="nofollow">arXiv:2007.00808</a>.</span>
50. <span id="cite_note-50">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-50) Nogueira, R. et al. (2019). arXiv:1904.08375.</span>
51. <span id="cite_note-51">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-51) Nogueira, R.; Lin, J. (2019). tech report.</span>
52. <span id="cite_note-52">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(HI)#cite_ref-52) Rocchio, J. (1971). SMART; Lavrenko & Croft (2001) SIGIR.</span>