---
title: "Hypothetical Document Expansion"
source: "https://systems-analysis.info/wiki/Hypothetical_Document_Expansion"
wiki: "systems-analysis.info/wiki"
article: "Hypothetical_Document_Expansion"
language: "ru"
categories:
  - "Категория:Prompt инжиниринг"
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
revision_id: 126
wiki_created_at: 2026-09-06T21:55:26Z
wiki_modified_at: 2026-09-06T21:55:26Z
downloaded_at: 2026-09-07T22:17:39Z
---

# Hypothetical Document Expansion

**Hypothetical Document Expansion (HyDE)** — метод улучшения векторного ретрива и retrieval‑augmented generation (RAG), при котором [большая языковая модель](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели") (LLM) по исходному запросу генерирует «гипотетический документ»; затем этот текст векторизуется энкодером, и поиск ведётся среди реальных документов по близости к полученному вектору. Подход позволяет использовать «паттерны релевантности», закодированные LLM, и «заземлять» их на корпус с помощью плотных эмбеддингов<sup>[\[1\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-1)</sup>.

## Определение и интуиция

HyDE декомпозирует задачу поиска на два этапа:

\(1\) LLM создаёт «пример релевантного ответа» (*hypothetical document*) к запросу, тем самым моделируя признаки релевантности;

\(2\) контрастивный энкодер (напр., Contriever) переводит этот текст в вектор, по которому извлекаются реальные документы из индекса. Сгенерированный текст может содержать фактические ошибки, но важны улавливаемые энкодером тематические и терминологические шаблоны<sup>[\[2\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-2)</sup>.

## История и источники

Идея расширения поиска синтетическими текстами восходит к работам по расширению запроса и псевдорелевантной обратной связи (PRF): алгоритм Роккио и языковые модели релевантности<sup>[\[3\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-3)[\[4\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-4)</sup>. Для плотного ретрива использовались контрастивно обученные энкодеры (Contriever)<sup>[\[5\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-5)</sup> и Dense Passage Retrieval (DPR)<sup>[\[6\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-6)</sup>. Бенчмарк BEIR стандартизировал zero‑shot‑оценку<sup>[\[7\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-7)</sup>. На этом фоне предложен HyDE как способ «привнести» в нулевой режим знание о релевантности через LLM без дообучения энкодера<sup>[\[8\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-8)</sup>.

## Метод и формализация

Пусть корпус документов $\mathcal{D} = \{ d_{1},\ldots,d_{N}\}$, а энкодер текстов $E:\text{text} \rightarrow {\mathbb{R}}^{n}$ задаёт векторные представления документов $\mathbf{v}_{d} = E(d)$. Для измерения близости используется либо косинусное сходство, либо скалярное произведение; важное замечание: \*\*скалярное произведение совпадает с косинусным сходством только при единичной L2‑норме обоих векторов\*\* ($\|\mathbf{u}\| = \|\mathbf{v}\| = 1$)<sup>[\[9\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-9)</sup>.

HyDE переопределяет представление запроса через «гипотетический документ», сгенерированный LLM. Формально:

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

где $G$ — LLM с инструкцией $inst$ (например: «Напиши абзац, отвечающий на вопрос …»), $S$ — мера сходства (косинус или IP с нормировкой), а $\mathcal{R}_{k}(q)$ — множество из $k$ документов с максимальным сходством<sup>[\[10\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-10)[\[11\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-11)</sup>.

В инженерной практике часто генерируют \*\*несколько\*\* гипотетических текстов и агрегируют их представления, что повышает устойчивость:

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

где $\xi_{j}$ — стохастические параметры декодирования (напр., temperature/top‑p). Такая энсемблизация улучшает Recall при умеренном росте латентности<sup>[\[12\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-12)</sup>.

### Базовый конвейер 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

### Связь с другими методами (QE, doc2query, PRF)

- **QE (расширение запроса)** добавляет термы к запросу; HyDE вместо этого генерирует целый «квази‑документ», что лучше согласуется с плотными энкодерами<sup>[\[13\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-13)</sup>.
- **doc2query / docTTTTTquery** расширяют **документы** синтетическими запросами до индексирования<sup>[\[14\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-14)[\[15\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-15)</sup>; HyDE расширяет **запрос** на лету, не требуя реиндексации.
- **PRF** (Rocchio, Relevance LM) обновляет вектор запроса по топ‑результатам; HyDE извлекает «паттерн релевантности» непосредственно из LLM и затем «заземляет» его ретривом по корпусу<sup>[\[16\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-16)</sup>.

## Интеграция в RAG и переранжирование

В RAG HyDE применяется как первый этап ретрива: гипотетический документ → эмбеддинг → k кандидатов. Далее используется переранжирование: кросс‑энкодеры [BERT](https://systems-analysis.info/wiki/BERT "BERT")‑класса<sup>[\[17\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-17)</sup> или позднее взаимодействие ColBERT<sup>[\[18\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-18)</sup>. Для слияния списков (напр., гибрид BM25+vector) типично применяется RRF (*reciprocal rank fusion*): $\operatorname{RRF}(d) = \sum\limits_{r \in \mathcal{R}}\frac{1}{k + \operatorname{rank}_{r}(d)},\qquad k \approx 60.$ Метод RRF стабильно повышает совокупное качество объединённых ранжировок<sup>[\[19\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-19)</sup>.

## Оценка на бенчмарках (BEIR и др.)

Оригинальная работа оценивает HyDE в нулевом режиме на TREC DL’19/20 (веб‑поиск) и на подмножестве коллекций BEIR (Scifact, ArguAna, TREC‑COVID, FiQA, DBPedia, TREC‑NEWS, Climate‑FEVER). Фрагмент результатов — *по состоянию на 2023‑07*:

| Метод                     | DL19                   | DL20                   | Источник                                                                                             |
|---------------------------|------------------------|------------------------|------------------------------------------------------------------------------------------------------|
| BM25                      | 30.1 / 50.6 / 75.0     | 28.6 / 48.0 / 78.6     | <sup>[\[20\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-20)</sup> |
| Contriever (unsup.)       | 24.0 / 44.5 / 74.6     | 24.0 / 42.1 / 75.4     | <sup>[\[21\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#cite_note-22)</sup> |
| DPR (ft)                  | 36.5 / 62.2 / 76.9     | 41.8 / 65.3 / 81.4     | <sup>[\[23\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-23)</sup> |
| ANCE (ft)                 | 37.1 / 64.5 / 75.5     | 40.8 / 64.6 / 77.6     | <sup>[\[24\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-24)</sup> |

*TREC DL19/20 (веб‑поиск)* — mAP / nDCG@10 / Recall@1k

| Метод      | Scifact         | ArguAna         | TREC‑COVID      | FiQA        | DBPedia     | TREC‑NEWS       | Climate‑FEVER   | Источник                                                                                             |
|------------|-----------------|-----------------|-----------------|-------------|-------------|-----------------|-----------------|------------------------------------------------------------------------------------------------------|
| 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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#cite_note-27)</sup> |

*BEIR (подборка наборов)* — nDCG@10 / Recall@100

HyDE также улучшает MRR@100 на многоязычных наборах Mr.TyDi (sw/ko/ja/bn) относительно mContriever<sup>[\[28\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-28)</sup>.

## Практические рекомендации

Когда применять HyDE

- Нулевой/переносный режимы (нет релевантных меток; доменная «непохожесть» на обучающие корпуса)<sup>[\[29\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-29)</sup>.
- Требуется повышение Recall@k при приемлемой точности — HyDE часто «открывает» релевантные области векторного пространства<sup>[\[30\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-30)</sup>.

Типовые настройки

- **LLM и промпт**: инструкция «Напиши абзац, отвечающий на вопрос …»; умеренная стохастичность (напр., *temperature*≈0.7)<sup>[\[31\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-31)</sup>.
- **Число гипотетических текстов**: 1–5; усреднение эмбеддингов повышает устойчивость<sup>[\[32\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-32)</sup>.
- **Эмбеддер**: (m)Contriever без дообучения; возможно применение дообученных энкодеров (эффект HyDE сохраняется)<sup>[\[33\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-33)</sup>.
- **Нормализация эмбеддингов**: L2‑норма; внутреннее произведение эквивалентно косинусу<sup>[\[34\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-34)</sup>.
- **Гибридный ретрив**: BM25+vector с последующим переранжированием<sup>[\[35\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-35)</sup>.
- **Переранкер**: Cross-Encoder (BERT re‑ranker)<sup>[\[36\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-36)</sup> или ColBERT<sup>[\[37\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-37)</sup>.
- **Слияние** результатов разных стратегий: RRF (*k*≈60)<sup>[\[38\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-38)</sup>.

Мониторинг качества/стоимости

- Ретрив: nDCG@k, Recall@k, MRR; end‑to‑end RAG: EM/F1 или метрики *groundedness* (RAGAS/TruLens)<sup>[\[39\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-39)[\[40\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-40)</sup>.
- Стоимость/латентность: доминирует генерация LLM и (если есть) переранжирование; оптимизируется числом «гипотетик» и длиной ответа<sup>[\[41\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-41)</sup>.

## Ограничения и открытые вопросы

- **Галлюцинации** гипотетического текста: LLM может вводить фактические ошибки; «заземление» через энкодер и корпус снижает риск, но не устраняет полностью<sup>[\[42\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-42)</sup>.
- **Доменные/языковые ограничения**: выигрыш HyDE уменьшается в узкоспециализированных доменах и на слаборесурсных языках<sup>[\[43\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-43)</sup>.
- **Латентность и стоимость**: генерация LLM добавляет задержку и [токен](https://systems-analysis.info/wiki/%D0%A2%D0%BE%D0%BA%D0%B5%D0%BD "Токен")‑стоимость; критично для онлайн‑сценариев и длинных «гипотетик»<sup>[\[44\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-44)</sup>.
- **Этика и смещения**: предпочтительно использовать безопасные LLM и фильтрацию<sup>[\[45\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-45)</sup>.

## Сравнительная таблица методов

| Метод                     | Класс            | Где генерируется текст               | Энкодер/индекс                                                          | Переранкер (2‑й этап)        | Типичные метрики (пример)                          | Стоимость/латентность                       | Источники                                                                                                                                                                                     |
|---------------------------|------------------|--------------------------------------|-------------------------------------------------------------------------|------------------------------|----------------------------------------------------|---------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| **HyDE**                  | Query→*hypo‑doc* | На стороне запроса (LLM → абзац)     | (m)Contriever; ANN                                                      | BERT re‑rank / ColBERT / RRF | DL19 nDCG@10≈61.3; DL20≈57.9; ArguAna nDCG@10≈46.6 | \+ генерация LLM; + переранжирование (опц.) | <sup>[\[46\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-46)</sup>                                                                                          |
| BM25                      | Лексический      | —                                    | Инвертированный индекс                                                  | Опционально                  | см. табл. (выше)                                   | Низкая (lexical)                            | <sup>[\[47\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-47)</sup>                                                                                          |
| DPR / ANCE                | Плотный (ft)     | —                                    | Bi‑[encoder](https://systems-analysis.info/wiki/Encoder "Encoder"); ANN | Опционально                  | DL19 nDCG@10≈62–65                                 | Средняя (без LLM)                           | <sup>[\[48\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-48)[\[49\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-49)</sup> |
| doc2query / docTTTTTquery | Док. экспансия   | На стороне коллекции (до индексации) | BM25/sparse+expanded                                                    | Опционально                  | Улучшения BM25 на MS MARCO                         | Высокая оффлайн‑генерация; быстрый онлайн   | <sup>[\[50\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-50)[\[51\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-51)</sup> |
| PRF (Rocchio, RLM)        | QE по фидбеку    | Запрос (по топ‑рез.)                 | Любой                                                                   | Опционально                  | Рост Recall/риски дрейфа                           | \+ доп. проход ретрива                      | <sup>[\[52\]](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_note-52)</sup>                                                                                          |

Сопоставление HyDE и смежных подходов

## См. также

- [Retrieval‑Augmented Generation (RAG)](https://systems-analysis.info/wiki/Retrieval%E2%80%91Augmented_Generation_(RAG) "Retrieval‑Augmented Generation (RAG)")
- [Automatic Prompt Engineer (APE)](https://systems-analysis.info/wiki/Automatic_Prompt_Engineer_(APE) "Automatic Prompt Engineer (APE)")
- [Chain-of-Thought Prompting](https://systems-analysis.info/wiki/Chain-of-Thought_Prompting "Chain-of-Thought Prompting")
- [Chain-of-Verification](https://systems-analysis.info/wiki/Chain-of-Verification "Chain-of-Verification")
- [Few-shot и Zero-shot](https://systems-analysis.info/wiki/Few-shot_%D0%B8_Zero-shot "Few-shot и Zero-shot")

## Ссылки

- Репозиторий HyDE: <a href="https://github.com/texttron/hyde" class="external text" rel="nofollow">github.com/texttron/hyde</a>.
- Документация: Haystack — HyDE: <a href="https://docs.haystack.deepset.ai/docs/hypothetical-document-embeddings-hyde" class="external text" rel="nofollow">docs.haystack.deepset.ai</a>.
- Документация: LangChain — HyDE Retriever: <a href="https://docs.langchain.com/oss/javascript/integrations/retrievers/hyde" class="external text" rel="nofollow">docs.langchain.com</a>.

## Литература

- 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.

## Примечания

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#cite_ref-16) Rocchio, J. (1971); Lavrenko & Croft (2001), см. выше.</span>
17. <span id="cite_note-17">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#cite_ref-22) Gao, L. et al. (2023). Табл. 1.</span>
23. <span id="cite_note-23">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#cite_ref-27) Gao, L. et al. (2023). Табл. 2.</span>
28. <span id="cite_note-28">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#cite_ref-29) Gao, L. et al. (2023). §4–5.</span>
30. <span id="cite_note-30">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_ref-30) Gao, L. et al. (2023). §4.2–4.3.</span>
31. <span id="cite_note-31">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_ref-31) Gao, L. et al. (2023). §4.1.</span>
32. <span id="cite_note-32">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#cite_ref-33) Gao, L. et al. (2023). Табл. 6.</span>
34. <span id="cite_note-34">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_ref-34) Milvus Docs. ‘‘Similarity Metrics’’.</span>
35. <span id="cite_note-35">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#cite_ref-36) Nogueira, R.; Cho, K. (2019). arXiv:1901.04085.</span>
37. <span id="cite_note-37">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_ref-37) Khattab, O.; Zaharia, M. (2020). DOI:10.1145/3397271.3401075.</span>
38. <span id="cite_note-38">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#cite_ref-41) Gao, L. et al. (2023). §5.</span>
42. <span id="cite_note-42">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#cite_ref-43) Gao, L. et al. (2023). Табл. 3; §4.4.</span>
44. <span id="cite_note-44">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_ref-44) Gao, L. et al. (2023). §4–5.</span>
45. <span id="cite_note-45">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#cite_ref-46) Gao, L. et al. (2023). Табл. 1–2.</span>
47. <span id="cite_note-47">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#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/wiki/Hypothetical_Document_Expansion#cite_ref-50) Nogueira, R. et al. (2019). arXiv:1904.08375.</span>
51. <span id="cite_note-51">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_ref-51) Nogueira, R.; Lin, J. (2019). tech report.</span>
52. <span id="cite_note-52">[↑](https://systems-analysis.info/wiki/Hypothetical_Document_Expansion#cite_ref-52) Rocchio, J. (1971). SMART; Lavrenko & Croft (2001) SIGIR.</span>