Hybridní vyhledávání (sémantické + lexikální)
Na této stránce
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
alphařídí vyvážení mezi oběma přístupy - Weaviate nabízí hybridní vyhledávání nativně