Hybrid Retrieval

Материал из Systems analysis wiki
Перейти к навигации Перейти к поиску

Hybrid Retrieval (гибридный ретрив) — класс методов информационного поиска, в которых объединяются лексические (sparse) и семантические (dense/late‑interaction) сигналы для повышения полноты и точности выдачи. Гибридные схемы сочетают преимущества точного совпадения терминов (BM25/TF-IDF) и векторной близости (биэнкодеры, мультимодели позднего взаимодействия), а также используют устойчивые к разномасштабным скорингам методы слияния ранжировок (например, Reciprocal Rank Fusion, CombSUM/CombMNZ) и переранжирование кросс‑энкодерами.[1][2][3]

Определение и мотивация

Гибридный ретрив — это параллельный либо каскадный поиск по двум (и более) независимым каналам сигналов с последующим слиянием и/или переранжированием. Типичные мотивации: (i) преодоление «терминологического разрыва» (синонимы, переформулировки), (ii) устойчивость к опечаткам/морфологии, (iii) извлечение специфичных кодов/идентификаторов (где sparse‑модель сильна), (iv) перенос на новые домены/языки (где dense‑модели дают семантическое обобщение).[4][5][6]

Компоненты гибридного поиска

Лексический (sparse)

  • Классические модели. TF-IDF и BM25/BM25F — стандартные базовые методы на инвертированных индексах; BM25 обоснован в вероятностной PRF‑рамке и широко используется в первую стадию ранжирования.[7]
  • Обучаемые sparse.
    • SPLADE / SPLADE++/v3. Нейроспрайс‑модель, обучающая расширение и взвешивание термов через MLM‑голову с регуляризацией разреженности; показывает сильные результаты и хорошую переносимость (BEIR).[8][9][10]
    • uniCOIL/COIL. Контекстуализированные инвертированные списки и их упрощённая версия uniCOIL; совместимы с классическими инвертированными индексами.[11]

Семантический (dense/late‑interaction)

  • Bi‑encoder (single‑vector). Запрос и документ кодируются вектормоделями, похожесть — по dot‑product/MIPS. Примеры: DPR,[12] ANCE,[13] Contriever,[14] GTR,[15] E5.[16]
  • Late‑interaction (multi‑vector). Моделируют токен‑уровневые соответствия при «позднем» взаимодействии: ColBERT/ColBERTv2; компромисс — лучшая точность при большем индексе/латентности, смягчается инженерными драйверами (PLAID, WARP).[17][18][19]

Схемы гибридизации и слияния ранжировок

  • Параллельный поиск и объединение кандидатов. Независимо получаем списки кандидатов (sparse и dense) с их внутренними скорингами; далее — слияние ранжировок.[20]
  • RRF (Reciprocal Rank Fusion). Устойчивая к несопоставимым скорингам ранжировок техника, суммирующая обратные ранги:

RRF(d)=∑i=1m1k+ranki(d), где обычно k≈60.[21] Поддерживается в промышленных движках (Elasticsearch/OpenSearch) как встроенный ретривер/процессор.[22][23]

  • CombSUM/CombMNZ и др. Классические функции «суммирования скорингов» (при необходимости — с нормализацией).[24][25][26]
  • Взвешенная линейная смесь.

S(d)=α⋅Ssparse(d)+(1−α)⋅Sdense(d), α∈[0,1]. Выбор α может быть фиксированным или обучаемым (по коллекции/по запросу).[27]

  • Нормализация скорингов. Для CombSUM/CombMNZ часто применяют min‑max, z‑score и др. для согласования шкал;[28] альтернативно RRF опирается только на ранги.
  • Динамическая/адаптивная взвеска. Поисковая маршрутизация (query routing), признаки запроса и LTR‑модели для выбора/веса каналов; современные работы показывают, что простая обученная смесь часто превосходит RRF и мало чувствительна к нормализации.[29]

Переранжирование и многостадийные пайплайны

Гибридные системы обычно строятся как retrieval → fusion → rerank. Для переранжирования применяют:

  • Кросс‑энкодеры (BERT/T5). Наиболее точные, но затратные: MonoBERT/MonoT5 для переупорядочивания топ‑N кандидатов.[30][31]
  • Late‑interaction как переранкер. ColBERT‑семейство может выступать и как переранкер; современные ускорители (PLAID, WARP) снижают латентность без потерь качества.[32][33]

Компромисс качество ↔ латентность/стоимость особенно важен при RAG и жёстких SLA (см. хвостовые задержки p95/p99).[34]

Оценка на бенчмарках

  • BEIR. Унифицированный набор из разнородных коллекций/задач для zero‑/out‑of‑domain оценки ретриверов (напр., TREC‑COVID, NFCorpus, NQ, HotpotQA, FiQA‑2018, DBPedia‑entity, ArguAna, Webis‑Touché‑2020, FEVER/Climate‑FEVER, Scidocs, SciFact, CQADupStack и др.).[35]
  • TREC Deep Learning / MS MARCO. Классические ресурсы для обучения/оценки ретриверов и переранкеров в режиме больших данных.[36][37][38]
  • Метрики качества. nDCG@k, Recall@k, MRR; для производительности — latency p50/p95/p99, QPS; для эксплуатации — память/стоимость (CPU/GPU, индекс).[39][40]
  • Абляции. Рекомендуется фиксировать вклад каждого канала/веса и чувствительность к параметрам k в RRF и α в смешивании; оценивать устойчивость к переформулировкам и OOD‑сдвигам.[41][42]

Инженерные аспекты и продакшн‑практики

  • Индексы и ANN. FAISS (Flat/HNSW/IVF‑PQ), HNSW, ScaNN для MIPS/косинусной близости.[43][44][45]
  • Стек IR. Lucene/Anserini/Pyserini для sparse/dense и гибридных пайплайнов; «двухкнопочная» воспроизводимость на BEIR.[46][47]
  • Векторные БД и поисковые движки. Qdrant, Weaviate, pgvector/PostgreSQL, Vespa, Elasticsearch/OpenSearch имеют нативные режимы гибридного поиска (BM25F+vector) и/или RRF/линейное смешивание.[48][49][50][51][52]
  • RAG‑паттерн. Архитектура: retrieval → fusion → rerank → контекст LLM с ограничением токенов и трассировкой источников.[53]
  • Обновление индексов, дедупликация, токенизация. Важно согласовывать токенизацию между BM25 и векторизатором; калибровка скорингов (нормализация/масштабирование) перед смешиванием.[54]

Ограничения и открытые вопросы

  • Переносимость и мультиязычие. Dense‑модели (GTR/E5) улучшают перенос, но чувствительны к домену/языку; sparse‑модели (SPLADE) часто устойчивее на OOD.[55][56]
  • Интеграция с LLM и галлюцинации. Гибридный ретрив уменьшает пропуски и шум в контекстах RAG, но не устраняет полностью галлюцинации; нужны строгие переранкеры и фильтрация источников.[57]
  • Стоимость и приватность. Хранение multi‑vector индексов, компрессия, шифрование и on‑prem стек; оценка TCO.
  • Тренды. HyDE/doc2query/PRF как расширение документов/запросов;[58][59] обучение смешивания (per‑query α), более эффективные late‑interaction (PLAID/WARP), длинные документы и мультивекторные индексы.[60][61]

Сравнительная таблица методов

По состоянию на 2025‑09‑10 (пример на коллекции BEIR trec‑covid; nDCG@10 / Recall@100):[62]

Сравнение методов на trec‑covid
Метод Тип (sparse/dense/hybrid) Идея/модель Схема слияния Переранкер nDCG@10 / R@100 Latency (отн.) Источники
BM25 sparse Точное совпадение термов (PRF/BM25) — — 0.595 / 0.109 очень низкая [63][64]
SPLADE++ (ED) sparse (learned) Разрежённое расширение/веса термов — — 0.727 / 0.128 низкая–средняя [65][66]
Contriever (MS MARCO FT) dense Биэнкодер контрастивного обучения — — 0.596 / 0.091 средняя [67][68]
BGE‑base‑en‑v1.5 dense Сильный универсальный эмбеддер — — 0.781 / 0.141 средняя [69]
Cohere embed‑english‑v3.0 dense Промышленная текстовая эмбеддинг‑модель — — 0.818 / 0.159 средняя [70]
BM25 + dense (пример: BM25+BGE) hybrid Параллельный ретрив + слияние списков RRF (k≈60) или взвешенная смесь опц.: MonoT5/ColBERT (варьируется по реализации; обычно > лучший одиночный канал) средняя [71][72][73]

Примечание: последняя строка иллюстрирует схему; точные числа зависят от выбора эмбеддера, нормализации и параметров слияния (см. источники и воспроизводимые скрипты Pyserini).

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 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.

Ссылки

Примечания

  1. ↑ Robertson, S., Zaragoza, H. (2009). The Probabilistic Relevance Framework: BM25 and Beyond. Foundations and Trends in Information Retrieval, 3(4), 333–389. DOI:10.1561/1500000019.
  2. ↑ Cormack, G.V., Clarke, C.L.A., Büttcher, S. (2009). Reciprocal Rank Fusion Outperforms Condorcet and Individual Rank Learning Methods. SIGIR 2009, 758–759. PDF.
  3. ↑ Bruch, S., Gai, S., Ingber, A. (2023). An Analysis of Fusion Functions for Hybrid Retrieval. ACM TOIS 42(1):1–35. DOI:10.1145/3596512 • arXiv:2210.11934.
  4. ↑ Manning, C.D., Raghavan, P., Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press. ISBN 978‑0521865715 (см. главы о TF‑IDF, оценке и проблеме vocabulary mismatch).
  5. ↑ Izacard, G. et al. (2022). Unsupervised Dense Information Retrieval with Contrastive Learning (Contriever). TACL 10:1089–1108. arXiv:2112.09118.
  6. ↑ Wang, L. et al. (2022/2024). Text Embeddings by Weakly‑Supervised Contrastive Pre‑training (E5). arXiv:2212.03533.
  7. ↑ Robertson, S., Zaragoza, H. (2009). The Probabilistic Relevance Framework: BM25 and Beyond. DOI:10.1561/1500000019.
  8. ↑ Formal, T., Piwowarski, B., Clinchant, S. (2021). SPLADE: Sparse Lexical and Expansion Model for First Stage Ranking. arXiv:2107.05720.
  9. ↑ Formal, T. et al. (2022). Making Sparse Neural IR Models More Effective. Findings of EMNLP. arXiv:2205.04733.
  10. ↑ Formal, T. et al. (2024). SPLADE‑v3: New baselines for SPLADE. arXiv:2403.06789.
  11. ↑ Lin, J., Ma, X. (2021). A Few Brief Notes on DeepImpact, COIL, and uniCOIL. arXiv:2106.14807.
  12. ↑ Karpukhin, V. et al. (2020). Dense Passage Retrieval for Open‑Domain QA. EMNLP. arXiv:2004.04906.
  13. ↑ Xiong, L. et al. (2021). Approximate Nearest Neighbor Negative Contrastive Learning for Dense Text Retrieval (ANCE). ICLR. arXiv:2007.00808.
  14. ↑ Izacard, G. et al. (2022). TACL. arXiv:2112.09118.
  15. ↑ Ni, J. et al. (2021/2022). Large Dual Encoders Are Generalizable Retrievers (GTR). EMNLP. arXiv:2112.07899.
  16. ↑ Wang, L. et al. (2022/2024). arXiv:2212.03533.
  17. ↑ Khattab, O., Zaharia, M. (2020). ColBERT: Efficient and Effective Passage Search via Contextualized Late Interaction over BERT. SIGIR. arXiv:2004.12832.
  18. ↑ Santhanam, K. et al. (2022). ColBERTv2 & PLAID. NAACL/ArXiv. arXiv:2112.01488; arXiv:2205.09707.
  19. ↑ Scheerer, J.L. et al. (2025). WARP: An Efficient Engine for Multi‑Vector Retrieval. arXiv:2501.17788.
  20. ↑ Lin, J. et al. (2021). Pyserini: A Python Toolkit for Reproducible IR with Sparse and Dense Representations. SIGIR. PDF.
  21. ↑ Cormack, G.V., Clarke, C.L.A., Büttcher, S. (2009). SIGIR. PDF.
  22. ↑ Elastic Docs. Reciprocal Rank Fusion. (доступ 2025‑09‑10). elastic.co/docs/.../reciprocal-rank-fusion.
  23. ↑ OpenSearch Docs. Score ranker processor (RRF). (доступ 2025‑09‑10). docs.opensearch.org/.../score-ranker-processor/.
  24. ↑ Fox, E.A., Shaw, J.A. (1994). Combination of Multiple Searches. TREC‑2, NIST SP 500‑215, 243–252. PDF.
  25. ↑ Lee, J.H. (1997). Analyses of Multiple Evidence Combination. SIGIR, 267–276. DOI:10.1145/258525.258587.
  26. ↑ Hsu, D.F., Taksa, I. (2005). Comparing Rank and Score Combination Methods for Data Fusion in IR. (Tech. report). PDF.
  27. ↑ Bruch, S., Gai, S., Ingber, A. (2023). TOIS. DOI:10.1145/3596512.
  28. ↑ Hsu, D.F., Taksa, I. (2005). см. выше.
  29. ↑ Bruch, S., Gai, S., Ingber, A. (2023). TOIS. DOI:10.1145/3596512.
  30. ↑ Nogueira, R., Cho, K. (2019). Passage Re‑ranking with BERT. arXiv:1901.04085.
  31. ↑ Nogueira, R., Jiang, Z., Lin, J. (2020). Document Ranking with a Pretrained Sequence‑to‑Sequence Model (MonoT5). Findings of EMNLP. arXiv:2003.06713.
  32. ↑ Santhanam, K. et al. (2022). arXiv:2205.09707.
  33. ↑ Scheerer, J.L. et al. (2025). arXiv:2501.17788.
  34. ↑ Dean, J., Barroso, L.A. (2013). The Tail at Scale. CACM 56(2):74–80. DOI:10.1145/2408776.2408794.
  35. ↑ Thakur, N. et al. (2021). BEIR: A Heterogeneous Benchmark for Zero‑shot Evaluation of IR Models. NeurIPS Datasets & Benchmarks. arXiv:2104.08663.
  36. ↑ Craswell, N. et al. (2020). Overview of the TREC 2019 Deep Learning Track. arXiv:2003.07820.
  37. ↑ Craswell, N. et al. (2021). Overview of the TREC 2020 Deep Learning Track. arXiv:2102.07662.
  38. ↑ Bajaj, P. et al. (2016). MS MARCO: A Human Generated MAchine Reading COmprehension Dataset. arXiv:1611.09268.
  39. ↑ Järvelin, K., Kekäläinen, J. (2002). Cumulated Gain‑Based Evaluation of IR Techniques. Information Retrieval 6:241–256. DOI:10.1023/A:1016043826386.
  40. ↑ Dean, J., Barroso, L.A. (2013). CACM. DOI:10.1145/2408776.2408794.
  41. ↑ Bruch, S. et al. (2023). DOI:10.1145/3596512.
  42. ↑ Ni, J. et al. (2021/2022). arXiv:2112.07899.
  43. ↑ Johnson, J., Douze, M., Jégou, H. (2017). Billion‑scale Similarity Search with GPUs (FAISS). arXiv:1702.08734.
  44. ↑ Malkov, Y., Yashunin, D. (2020). HNSW. IEEE TPAMI 42(4):824–836. DOI:10.1109/TPAMI.2018.2889473.
  45. ↑ Guo, R. et al. (2020). ScaNN: Efficient Vector Similarity Search at Scale. arXiv:1908.10396.
  46. ↑ Yang, P., Fang, H., Lin, J. (2018). Anserini: Reproducible IR Research with Lucene. JDIQ 10(4):1–20. DOI:10.1145/3239571.
  47. ↑ Lin, J. et al. (2021). SIGIR. PDF.
  48. ↑ Qdrant Docs. Hybrid queries (RRF, DBSF). (доступ 2025‑09‑10). qdrant.tech/.../hybrid-queries/.
  49. ↑ Weaviate Docs. Hybrid search. (доступ 2025‑09‑10). docs.weaviate.io/weaviate/search/hybrid.
  50. ↑ pgvector GitHub. (доступ 2025‑09‑10). github.com/pgvector/pgvector.
  51. ↑ Vespa Docs. Hybrid Text Search Tutorial. (доступ 2025‑09‑10). docs.vespa.ai/.../hybrid-search.html.
  52. ↑ Elastic Docs. Reciprocal Rank Fusion. (доступ 2025‑09‑10). elastic.co/docs/.../rrf.
  53. ↑ Lewis, P. et al. (2020). Retrieval‑Augmented Generation for Knowledge‑Intensive NLP Tasks. NeurIPS. arXiv:2005.11401.
  54. ↑ Hsu, D.F., Taksa, I. (2005). см. выше.
  55. ↑ Ni, J. et al. (2021/2022). arXiv:2112.07899.
  56. ↑ Formal, T. et al. (2021, 2022, 2024). arXiv:2107.05720; 2205.04733; 2403.06789.
  57. ↑ Lewis, P. et al. (2020). arXiv:2005.11401.
  58. ↑ Gao, L. et al. (2023). Precise Zero‑Shot Dense Retrieval without Relevance Labels (HyDE). ACL. arXiv:2212.10496.
  59. ↑ Nogueira, R. et al. (2019). Document Expansion by Query Prediction. arXiv:1904.08375; docTTTTTquery. PDF.
  60. ↑ Santhanam, K. et al. (2022). arXiv:2205.09707.
  61. ↑ Scheerer, J.L. et al. (2025). arXiv:2501.17788.
  62. ↑ Pyserini BEIR Regressions (доступ 2025‑09‑10): результаты по trec‑covid для BM25/SPLADE/Contriever/BGE/Cohere. castorini.github.io/pyserini/2cr/beir.html.
  63. ↑ Robertson, S., Zaragoza, H. (2009). DOI:10.1561/1500000019.
  64. ↑ Pyserini BEIR. См. ссылку выше.
  65. ↑ Formal, T. et al. (2021, 2022). arXiv:2107.05720; 2205.04733.
  66. ↑ Pyserini BEIR.
  67. ↑ Izacard, G. et al. (2022). arXiv:2112.09118.
  68. ↑ Pyserini BEIR.
  69. ↑ Pyserini BEIR.
  70. ↑ Pyserini BEIR.
  71. ↑ Cormack et al. (2009). SIGIR. RRF.
  72. ↑ Bruch et al. (2023). TOIS.
  73. ↑ Elastic/OpenSearch RRF Docs.


Источник — https://systems-analysis.ru/wiki/index.php?title=Hybrid_Retrieval&oldid=2856