Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Hybridní vyhledávání (sémantické + lexikální)

Lekce 9 z 22 Aktualizováno 29. července 2026 Vývojář
Na této stránce
  1. Cíle
  2. Problém: žádný jediný přístup není dokonalý
  3. Lexikální vyhledávání s BM25
  4. Reciprocal Rank Fusion (RRF)
  5. Kompletní hybridní pipeline
  6. Natívní hybridní vyhledávání ve Weaviate
  7. Klíčové poznatky

Cíle

  • Pochopit, proč je kombinace sémantického a lexikálního vyhledávání klíčová
  • Implementovat hybridní vyhledávání pomocí Reciprocal Rank Fusion (RRF)
  • Využít hybridní vyhledávání ve vektorových databázích

Problém: žádný jediný přístup není dokonalý

Sémantické vyhledávání exceluje v práci se synonymy, ale může přehlédnout přesné technické termíny; lexikální vyhledávání dělá přesný opak. Představ si dotaz systémového administrátora „nginx error 503“ a sleduj, jak se oba enginy chovají proti bázi technické dokumentace.

# Query: "nginx error 503"
# Semantic → finds "web server issues" (good) but misses "code 503" (missed)
# Lexical   → finds "nginx error 503" exactly (good) but misses "reverse proxy timeout" (missed)
# Hybrid    → finds both ✅

Sémantické vyhledávání pochopí, že jde o incident na serveru, a nabídne obecné články, ale číslo 503 mu unikne: pro model vytvářející vektory jsou 503 a 504 jen dvě trojmístná čísla, sémanticky blízká, přestože označují různé výpadky. Lexikální vyhledávání najde přesný kód, ale mine článek o časových limitech reverse proxy, který často popisuje hlavní příčinu. Ani jedna metoda samotná nevrátí správnou stránku s výsledky; jejich sjednocení ano.

Lexikální vyhledávání s BM25

BM25 je standardní algoritmus pro vyhledávání podle klíčových slov. Váží každý termín na základě jeho vzácnosti v korpusu a jeho frekvence v dokumentu, čímž přirozeně zvýrazňuje rozlišující termíny jako „503“ nebo „nginx“. Musíš mu však předat čistá tokeny: funkce pro tokenizaci převede text na malá písmena, extrahuje slova a odstraní francouzská stop slova, která nepřinášejí žádný signál relevance.

from rank_bm25 import BM25Okapi
import re

def tokenize(text: str) -> list[str]:
    """Simple tokenization for French."""
    text = text.lower()
    tokens = re.findall(r"\b\w+\b", text)
    # Remove common stop words
    stop_words = {"le", "la", "les", "de", "du", "des", "un", "une",
                  "et", "ou", "est", "dans", "pour", "avec", "sur"}
    return [t for t in tokens if t not in stop_words]

documents = [
    "Comment résoudre l'erreur 503 dans nginx",
    "Configuration du reverse proxy avec timeout",
    "Guide d'installation de nginx sur Ubuntu",
    "Les bases de la cuisine française",
]

# Index with BM25
tokenized_corpus = [tokenize(doc) for doc in documents]
bm25 = BM25Okapi(tokenized_corpus)

# Search
query_tokens = tokenize("erreur 503 nginx")
bm25_scores = bm25.get_scores(query_tokens)

for i, score in enumerate(bm25_scores):
    print(f"BM25 {score:.3f} | {documents[i]}")

Reciprocal Rank Fusion (RRF)

Nyní musíš zkombinovat oba žebříčky, což je složitější, než se zdá: kosinové skóre se pohybuje mezi 0 a 1, zatímco skóre BM25 nemá horní mez. Jejich přímé sečtení by umožnilo BM25 zcela převážit sémantický signál. RRF tento problém obchází tím, že ignoruje surová skóre a zachovává pouze pořadí: každý dokument obdrží 1 / (k + rank) v každém seznamu a tyto příspěvky sečteš. Dokument, který se umístí vysoko všude, tak porazí dokument, který vyniká pouze v jednom seznamu.

def reciprocal_rank_fusion(
    result_lists: list[list[tuple[int, float]]],
    k: int = 60
) -> list[tuple[int, float]]:
    """Fuses multiple result lists using RRF.

    Args:
        result_lists: list of lists of (doc_id, score)
        k: RRF constant (60 is standard)
    """
    fused_scores: dict[int, float] = {}

    for results in result_lists:
        for rank, (doc_id, _) in enumerate(results):
            if doc_id not in fused_scores:
                fused_scores[doc_id] = 0.0
            fused_scores[doc_id] += 1.0 / (k + rank + 1)

    # Sort by score descending
    return sorted(
        fused_scores.items(),
        key=lambda x: x[1],
        reverse=True
    )

Konstanta k, konvenčně nastavená na 60 na základě literatury, tlumí rozdíl mezi předními pozicemi: bez ní by první pořadí vážilo dvakrát tolik co druhé, což by činilo fúzi příliš citlivou na drobné rozdíly v žebříčku.

Kompletní hybridní pipeline

Níže uvedená třída udržuje oba indexy paralelně nad stejným korpusem, spouští oba typy vyhledávání pro každý dotaz a slučuje žebříčky. Vrácena jsou také individuální skóre – cenný detail při ladění, protože jejich porovnání ukazuje, který engine daný výsledek „táhl“.

from openai import OpenAI
from rank_bm25 import BM25Okapi
import numpy as np

class HybridSearch:
    def __init__(self, model: str = "text-embedding-3-large"):
        self.client = OpenAI()
        self.model = model
        self.documents: list[str] = []
        self.embeddings: np.ndarray | None = None
        self.bm25: BM25Okapi | None = None

    def index(self, documents: list[str]):
        self.documents = documents

        # Semantic index
        response = self.client.embeddings.create(
            input=documents, model=self.model
        )
        vectors = sorted(response.data, key=lambda x: x.index)
        self.embeddings = np.array(
            [v.embedding for v in vectors], dtype=np.float32
        )

        # BM25 index
        tokenized_corpus = [tokenize(d) for d in documents]
        self.bm25 = BM25Okapi(tokenized_corpus)

    def search(
        self, query: str, k: int = 5,
        semantic_weight: float = 0.7,
        lexical_weight: float = 0.3
    ) -> list[dict]:
        # Semantic search
        query_emb = self.client.embeddings.create(
            input=query, model=self.model
        ).data[0].embedding
        sem_scores = self.embeddings @ np.array(query_emb)
        sem_ranking = [
            (i, float(sem_scores[i]))
            for i in np.argsort(sem_scores)[::-1]
        ]

        # Lexical search
        query_tokens = tokenize(query)
        lex_scores = self.bm25.get_scores(query_tokens)
        lex_ranking = [
            (i, float(lex_scores[i]))
            for i in np.argsort(lex_scores)[::-1]
        ]

        # RRF Fusion
        fused = reciprocal_rank_fusion(
            [sem_ranking, lex_ranking]
        )

        return [
            {
                "text": self.documents[doc_id],
                "rrf_score": score,
                "sem_score": float(sem_scores[doc_id]),
                "lex_score": float(lex_scores[doc_id]),
            }
            for doc_id, score in fused[:k]
        ]

# Usage
engine = HybridSearch()
engine.index([
    "Comment résoudre l'erreur 503 dans nginx",
    "Timeout et configuration du reverse proxy",
    "Guide d'installation nginx sur Ubuntu",
    "Diagnostiquer les problèmes de serveur web",
])

results = engine.search("erreur 503 nginx")
for r in results:
    print(f"RRF: {r['rrf_score']:.4f} | "
          f"Sem: {r['sem_score']:.3f} | "
          f"Lex: {r['lex_score']:.3f} | "
          f"{r['text']}")

Na tomto korpusu čtyř dokumentů dominuje článek „nginx error 503“ v lexikálním žebříčku, zatímco „web server issues“ dominuje tomu sémantickému; fúze dostane oba do první trojky, čehož by žádná metoda samotná nedosáhla.

Natívní hybridní vyhledávání ve Weaviate

Pokud již používáš Weaviate, nemusíš tohle všechno psát: databáze integruje fúzi a vystavuje ji v jediném dotazu s parametrem alpha, který vyvažuje oba enginy – 0 pro čistě lexikální, 1 pro čistě sémantické.

import weaviate

wclient = weaviate.connect_to_local()
collection = wclient.collections.get("Document")

# Native hybrid search
results = collection.query.hybrid(
    query="erreur 503 nginx",
    alpha=0.7,  # 0 = pure lexical, 1 = pure semantic
    limit=5
)

for obj in results.objects:
    print(f"[{obj.metadata.score:.3f}] {obj.properties['texte']}")

Hodnota alpha 0,7 je rozumným výchozím bodem, ale není univerzální: korpus bohatý na technické reference a chybové kódy těží z posunu směrem k 0,5, zatímco znalostní báze psaná přirozeným jazykem zvládne 0,8. Tento posuvník ladě pouze s hodnotícím datasetem před očima – to je přesně téma příští lekce.

Klíčové poznatky

  • Hybridní vyhledávání kombinuje sémantiku (význam) a lexikální analýzu (přesná slova)
  • Reciprocal Rank Fusion (RRF) efektivně slučuje žebříčky
  • Parametr alpha řídí vyvážení mezi oběma přístupy
  • Weaviate nabízí hybridní vyhledávání nativně