---
title: "Hypothetical Document Embeddings (HyDE) (TH)"
source: "https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)"
wiki: "systems-analysis.info/int"
article: "Hypothetical_Document_Embeddings_(HyDE)_(TH)"
language: "th"
categories:
  - "Category:Large language models"
  - "Category:Pages with math errors"
  - "Category:Pages with math render errors"
  - "Category:Prompt engineering"
  - "Category:Thai"
revision_id: 3123
wiki_created_at: 2026-09-06T23:16:03Z
wiki_modified_at: 2026-09-06T23:16:03Z
downloaded_at: 2026-09-07T22:55:19Z
---

# Hypothetical Document Embeddings (HyDE) (TH)

**Hypothetical Document Expansion (HyDE)** — วิธีการปรับปรุง vector retrieval และ retrieval‑augmented generation (RAG) โดยที่โมเดลภาษาขนาดใหญ่ (LLM) จะสร้าง «เอกสารเชิงสมมติ» จากคำค้นหาต้นทาง จากนั้นข้อความดังกล่าวจะถูกแปลงเป็นเวกเตอร์ด้วย encoder และการค้นหาจะดำเนินการในหมู่เอกสารจริงโดยอิงจากความใกล้เคียงกับเวกเตอร์ที่ได้ แนวทางนี้ช่วยให้สามารถนำ «รูปแบบความเกี่ยวข้อง» ที่ LLM เข้ารหัสไว้มาใช้และ «ยึดโยง» กับคอร์ปัสผ่าน dense embedding<sup>[\[1\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-1)</sup>

## คำจำกัดความและแนวคิด

HyDE แบ่งงานการค้นหาออกเป็นสองขั้นตอน:

\(1\) LLM สร้าง «ตัวอย่างคำตอบที่เกี่ยวข้อง» (*hypothetical document*) สำหรับคำค้นหา เพื่อจำลองลักษณะของความเกี่ยวข้อง;

\(2\) contrastive encoder (เช่น Contriever) แปลงข้อความนั้นเป็นเวกเตอร์ ซึ่งใช้ดึงเอกสารจริงจาก index ข้อความที่สร้างขึ้นอาจมีข้อผิดพลาดเชิงข้อเท็จจริง แต่สิ่งที่สำคัญคือรูปแบบเชิงหัวข้อและเชิงคำศัพท์ที่ encoder จับได้<sup>[\[2\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-2)</sup>

## ประวัติและที่มา

แนวคิดการขยายการค้นหาด้วยข้อความสังเคราะห์มีรากฐานมาจากงานวิจัยด้านการขยายคำค้นหาและ pseudo-relevance feedback (PRF) ได้แก่ อัลกอริทึม Rocchio และโมเดลภาษาความเกี่ยวข้อง<sup>[\[3\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-3)[\[4\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-4)</sup> สำหรับ dense retrieval มีการใช้ encoder ที่ฝึกด้วย contrastive learning (Contriever)<sup>[\[5\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-5)</sup> และ Dense Passage Retrieval (DPR)<sup>[\[6\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-6)</sup> benchmark BEIR ได้กำหนดมาตรฐานการประเมินแบบ zero‑shot<sup>[\[7\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-7)</sup> บนพื้นฐานนี้จึงได้มีการเสนอ HyDE เป็นวิธีการ «นำเข้า» ความรู้เรื่องความเกี่ยวข้องในโหมด zero‑shot ผ่าน LLM โดยไม่ต้องทำ fine-tuning encoder<sup>[\[8\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-8)</sup>

## วิธีการและการกำหนดรูปแบบ

กำหนดให้คอร์ปัสของเอกสารคือ $\mathcal{D} = \{ d_{1},\ldots,d_{N}\}$ และ encoder ข้อความ $E:\text{text} \rightarrow {\mathbb{R}}^{n}$ กำหนด vector representation ของเอกสารเป็น $\mathbf{v}_{d} = E(d)$ สำหรับการวัดความใกล้เคียงใช้ cosine similarity หรือ dot product โดยมีข้อสังเกตสำคัญว่า \*\*dot product เท่ากับ cosine similarity ก็ต่อเมื่อเวกเตอร์ทั้งสองมี L2‑norm เท่ากับหนึ่งเท่านั้น\*\* ($\|\mathbf{u}\| = \|\mathbf{v}\| = 1$)<sup>[\[9\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-9)</sup>

HyDE นิยามตัวแทนของคำค้นหาใหม่ผ่าน «เอกสารเชิงสมมติ» ที่สร้างโดย LLM โดยในเชิงรูปแบบ:

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

โดยที่ $G$ คือ LLM ที่มีคำสั่ง $inst$ (เช่น «เขียนย่อหน้าที่ตอบคำถาม …»), $S$ คือตัววัดความคล้ายคลึง (cosine หรือ inner product พร้อม normalization) และ $\mathcal{R}_{k}(q)$ คือชุดของ $k$ เอกสารที่มีความคล้ายคลึงสูงสุด<sup>[\[10\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-10)[\[11\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-11)</sup>

ในทางปฏิบัติทางวิศวกรรม มักสร้างข้อความเชิงสมมติ \*\*หลายข้อความ\*\* แล้วรวม representation เข้าด้วยกัน ซึ่งช่วยเพิ่มความเสถียร:

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

โดยที่ $\xi_{j}$ คือพารามิเตอร์การ decoding แบบ stochastic (เช่น temperature/top‑p) การรวมแบบ ensemble นี้ช่วยปรับปรุง Recall โดยมีการเพิ่ม latency ในระดับปานกลาง<sup>[\[12\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-12)</sup>

### pipeline พื้นฐานของ HyDE

    # 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

### ความสัมพันธ์กับวิธีการอื่น (QE, doc2query, PRF)

- **QE (การขยายคำค้นหา)** เพิ่มคำศัพท์เข้าไปในคำค้นหา ในขณะที่ HyDE สร้าง «เอกสารเสมือน» ทั้งชิ้น ซึ่งสอดคล้องกับ dense encoder ได้ดีกว่า<sup>[\[13\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-13)</sup>
- **doc2query / docTTTTTquery** ขยาย **เอกสาร** ด้วยคำค้นหาสังเคราะห์ก่อนการ indexing<sup>[\[14\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-14)[\[15\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-15)</sup> ในขณะที่ HyDE ขยาย **คำค้นหา** แบบ on-the-fly โดยไม่ต้องทำ re-indexing
- **PRF** (Rocchio, Relevance LM) อัปเดตเวกเตอร์คำค้นหาตามผลลัพธ์อันดับต้น ๆ ในขณะที่ HyDE ดึง «รูปแบบความเกี่ยวข้อง» โดยตรงจาก LLM แล้วจึง «ยึดโยง» ด้วยการ retrieval จากคอร์ปัส<sup>[\[16\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-16)</sup>

## การผสานรวมใน RAG และการจัดอันดับใหม่

ใน RAG นั้น HyDE ถูกใช้เป็นขั้นตอนแรกของการ retrieval ได้แก่ เอกสารเชิงสมมติ → embedding → k candidates จากนั้นจะมีการจัดอันดับใหม่ โดยใช้ cross-encoder ระดับ BERT<sup>[\[17\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-17)</sup> หรือ ColBERT แบบ late interaction<sup>[\[18\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-18)</sup> สำหรับการรวมรายการ (เช่น hybrid BM25+vector) มักใช้ RRF (*reciprocal rank fusion*): $\operatorname{RRF}(d) = \sum\limits_{r \in \mathcal{R}}\frac{1}{k + \operatorname{rank}_{r}(d)},\qquad k \approx 60.$ วิธีการ RRF ช่วยปรับปรุงคุณภาพโดยรวมของการจัดอันดับที่รวมกันได้อย่างสม่ำเสมอ<sup>[\[19\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-19)</sup>

## การประเมินบน benchmark (BEIR และอื่น ๆ)

งานวิจัยต้นฉบับประเมิน HyDE ในโหมด zero-shot บน TREC DL'19/20 (การค้นหาบนเว็บ) และบนชุดคอลเล็กชันย่อยของ BEIR (Scifact, ArguAna, TREC‑COVID, FiQA, DBPedia, TREC‑NEWS, Climate‑FEVER) ข้อมูลผลลัพธ์บางส่วน — *ณ เดือนกรกฎาคม 2023*:

| วิธีการ                     | DL19                   | DL20                   | แหล่งที่มา                                                                                                          |
|---------------------------|------------------------|------------------------|------------------------------------------------------------------------------------------------------------------|
| BM25                      | 30.1 / 50.6 / 75.0     | 28.6 / 48.0 / 78.6     | <sup>[\[20\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#cite_note-24)</sup> |

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

| วิธีการ      | Scifact         | ArguAna         | TREC‑COVID      | FiQA        | DBPedia     | TREC‑NEWS       | Climate‑FEVER   | แหล่งที่มา                                                                                                          |
|------------|-----------------|-----------------|-----------------|-------------|-------------|-----------------|-----------------|------------------------------------------------------------------------------------------------------------------|
| 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)_(TH)#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)_(TH)#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)_(TH)#cite_note-27)</sup> |

*BEIR (ชุดคอลเล็กชันคัดสรร)* — nDCG@10 / Recall@100

HyDE ยังปรับปรุง MRR@100 บนชุดข้อมูลหลายภาษา Mr.TyDi (sw/ko/ja/bn) เมื่อเปรียบเทียบกับ mContriever<sup>[\[28\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-28)</sup>

## คำแนะนำเชิงปฏิบัติ

เมื่อใดควรใช้ HyDE

- โหมด zero-shot/transfer (ไม่มี relevance label; โดเมนมีความแตกต่างจากคอร์ปัสที่ใช้ฝึก)<sup>[\[29\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-29)</sup>
- ต้องการเพิ่ม Recall@k โดยยอมรับความแม่นยำในระดับที่เหมาะสม — HyDE มักจะ «เปิด» พื้นที่ที่เกี่ยวข้องใน vector space<sup>[\[30\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-30)</sup>

การตั้งค่าทั่วไป

- **LLM และ prompt**: คำสั่ง «เขียนย่อหน้าที่ตอบคำถาม …»; ความ stochastic ในระดับปานกลาง (เช่น *temperature*≈0.7)<sup>[\[31\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-31)</sup>
- **จำนวนข้อความเชิงสมมติ**: 1–5; การเฉลี่ย embedding ช่วยเพิ่มความเสถียร<sup>[\[32\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-32)</sup>
- **Embedder**: (m)Contriever โดยไม่ต้อง fine-tuning; สามารถใช้ encoder ที่ผ่านการ fine-tuning ได้เช่นกัน (ผลของ HyDE ยังคงอยู่)<sup>[\[33\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-33)</sup>
- **Normalization ของ embedding**: L2‑norm; inner product เทียบเท่ากับ cosine<sup>[\[34\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-34)</sup>
- **Hybrid retrieval**: BM25+vector ตามด้วยการจัดอันดับใหม่<sup>[\[35\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-35)</sup>
- **Re-ranker**: Cross-Encoder (BERT re‑ranker)<sup>[\[36\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-36)</sup> หรือ ColBERT<sup>[\[37\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-37)</sup>
- **การรวม** ผลลัพธ์จากกลยุทธ์ต่าง ๆ: RRF (*k*≈60)<sup>[\[38\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-38)</sup>

การติดตามคุณภาพ/ต้นทุน

- Retrieval: nDCG@k, Recall@k, MRR; end‑to‑end RAG: EM/F1 หรือเมตริก *groundedness* (RAGAS/TruLens)<sup>[\[39\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-39)[\[40\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-40)</sup>
- ต้นทุน/latency: การสร้าง LLM และ (ถ้ามี) การจัดอันดับใหม่เป็นปัจจัยหลัก; ปรับให้เหมาะสมด้วยจำนวน «เอกสารเชิงสมมติ» และความยาวของคำตอบ<sup>[\[41\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-41)</sup>

## ข้อจำกัดและคำถามที่ยังเปิดอยู่

- **Hallucination** ในข้อความเชิงสมมติ: LLM อาจนำเสนอข้อผิดพลาดเชิงข้อเท็จจริง การ «ยึดโยง» ผ่าน encoder และคอร์ปัสช่วยลดความเสี่ยงแต่ไม่สามารถกำจัดได้ทั้งหมด<sup>[\[42\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-42)</sup>
- **ข้อจำกัดด้านโดเมนและภาษา**: ประโยชน์ของ HyDE ลดลงในโดเมนที่เฉพาะทางสูงและในภาษาที่มีทรัพยากรน้อย<sup>[\[43\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-43)</sup>
- **Latency และต้นทุน**: การสร้าง LLM เพิ่ม delay และต้นทุน token; มีนัยสำคัญสำหรับสถานการณ์ออนไลน์และ «เอกสารเชิงสมมติ» ที่ยาว<sup>[\[44\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-44)</sup>
- **จริยธรรมและอคติ**: ควรใช้ LLM ที่ปลอดภัยและมีการกรองข้อมูล<sup>[\[45\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-45)</sup>

## ตารางเปรียบเทียบวิธีการ

| วิธีการ                     | ประเภท           | จุดที่สร้างข้อความ             | Encoder/index        | Re-ranker (ขั้นตอนที่ 2)         | เมตริกทั่วไป (ตัวอย่าง)                                 | ต้นทุน/latency                             | แหล่งที่มา                                                                                                                                                                                                               |
|---------------------------|------------------|---------------------------|----------------------|------------------------------|----------------------------------------------------|------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| **HyDE**                  | Query→*hypo‑doc* | ฝั่งคำค้นหา (LLM → ย่อหน้า)    | (m)Contriever; ANN   | BERT re‑rank / ColBERT / RRF | DL19 nDCG@10≈61.3; DL20≈57.9; ArguAna nDCG@10≈46.6 | \+ การสร้าง LLM; + การจัดอันดับใหม่ (ทางเลือก) | <sup>[\[46\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-46)</sup>                                                                                                      |
| BM25                      | Lexical          | —                         | Inverted index       | ทางเลือก                      | ดูตาราง (ข้างต้น)                                     | ต่ำ (lexical)                             | <sup>[\[47\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-47)</sup>                                                                                                      |
| DPR / ANCE                | Dense (ft)       | —                         | Bi‑encoder; ANN      | ทางเลือก                      | DL19 nDCG@10≈62–65                                 | ปานกลาง (ไม่มี LLM)                        | <sup>[\[48\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-48)[\[49\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-49)</sup> |
| doc2query / docTTTTTquery | การขยายเอกสาร    | ฝั่งคอลเล็กชัน (ก่อน indexing) | BM25/sparse+expanded | ทางเลือก                      | การปรับปรุง BM25 บน MS MARCO                         | การสร้าง offline สูง; ออนไลน์รวดเร็ว         | <sup>[\[50\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-50)[\[51\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-51)</sup> |
| PRF (Rocchio, RLM)        | QE ตาม feedback  | คำค้นหา (ตามผลอันดับต้น ๆ)    | ใด ๆ                 | ทางเลือก                      | Recall เพิ่มขึ้น/ความเสี่ยงการ drift                     | \+ รอบการ retrieval เพิ่มเติม               | <sup>[\[52\]](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#cite_note-52)</sup>                                                                                                      |

การเปรียบเทียบ HyDE และแนวทางที่เกี่ยวข้อง

## ดูเพิ่มเติม

- BM25
- การค้นหาด้วย vector representation
- RAG
- Pseudo-relevance feedback
- BEIR

## เอกสารอ้างอิง

- 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.

## ลิงก์

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

## หมายเหตุ

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#cite_ref-34) Milvus Docs. ‘‘Similarity Metrics’’.</span>
35. <span id="cite_note-35">[↑](https://systems-analysis.info/int/Hypothetical_Document_Embeddings_(HyDE)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#cite_ref-52) Rocchio, J. (1971). SMART; Lavrenko & Croft (2001) SIGIR.</span>