Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Αναζήτηση σημασιολογική έναντι αναζήτησης με λέξεις-κλειδιά

Μάθημα 6 / 22 Ενημερώθηκε 29 Ιουλίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Στόχοι
  2. Τα όρια της αναζήτησης με λέξεις-κλειδιά
  3. Σημασιολογική αναζήτηση
  4. Δομημένη σύγκριση
  5. Πότε να χρησιμοποιήσετε το καθένα;
  6. Υλοποίηση πλήρους σημασιολογικής αναζήτησης
  7. Βασικά σημεία

Στόχοι

  • Να κατανοήσετε τους περιορισμούς της αναζήτησης με λέξεις-κλειδιά
  • Να ανακαλύψετε πώς η σημασιολογική αναζήτηση λύνει αυτά τα προβλήματα
  • Να υλοποιήσετε μια απλή σημασιολογική αναζήτηση

Τα όρια της αναζήτησης με λέξεις-κλειδιά

Η κλασική αναζήτηση—TF-IDF, BM25, Elasticsearch—βασίζεται στη λεκτική αντιστοίχιση: αναζητά τις ακριβείς λέξεις του ερωτήματος μέσα στα έγγραφα. Αυτός ο μηχανισμός είναι γρήγορος, προβλέψιμος και απόλυτα αξιόπιστος, αρκεί ο χρήστης να χρησιμοποιεί το ίδιο λεξιλόγιο με τα έγγραφα. Το πρόβλημα είναι ότι σχεδόν ποτέ δεν το κάνει.

Το μικρό σχολιασμένο σώμα κειμένου παρακάτω δείχνει τις τέσσερις τυπικές καταστάσεις όταν αντιμετωπίζετε το ερώτημα «πώς να ταΐσετε ένα κουτάβι».

# Keyword search
query = "how to feed a puppy"

# ✅ Found: contains the same words
doc_a = "How to feed a 3-month-old puppy"

# ❌ Not found: different words, same meaning
doc_b = "Feeding the young dog"

# ❌ Not found: rephrasing
doc_c = "Dietary regimen for newborn puppies"

# ⚠️ False positive: same words, different meaning
doc_d = "How to feed a startup project like a puppy"

Ανακτάται μόνο το πρώτο έγγραφο, παρόλο που το δεύτερο και το τρίτο απαντούν εξίσου καλά στην ερώτηση. Χειρότερα, το τέταρτο κατατάσσεται υψηλά αποκλειστικά επειδή μοιράζεται λέξεις με το ερώτημα, παρόλο που αφορά τη διαχείριση επιχειρήσεων. Συνώνυμα, διατύπωση με διαφορετικά λόγια και ασάφεια: η λεκτική αναζήτηση αποτυγχάνει και στα τρία.

Σημασιολογική αναζήτηση

Η σημασιολογική αναζήτηση συγκρίνει το νόημα των κειμένων, όχι τις λέξεις τους. Κωδικοποιείτε το σώμα κειμένου μία και καλή, κωδικοποιείτε το ερώτημα όταν αυτό φτάνει και ταξινομείτε τα έγγραφα με βάση την ομοιότητα.

from openai import OpenAI
import numpy as np

client = OpenAI()

def embed(text: str) -> np.ndarray:
    response = client.embeddings.create(
        input=text,
        model="text-embedding-3-large"
    )
    return np.array(response.data[0].embedding)

# Corpus
documents = [
    "How to feed a 3-month-old puppy",
    "Feeding the young dog",
    "Dietary regimen for newborn puppies",
    "How to feed a startup project like a puppy",
    "The basics of Italian cuisine",
]

# Index the corpus
corpus_embeddings = np.array([embed(doc) for doc in documents])

# Search
query = "how to feed a puppy"
query_embedding = embed(query)

# Calculate similarities
similarities = corpus_embeddings @ query_embedding

# Sort by relevance
results = sorted(
    enumerate(similarities), key=lambda x: x[1], reverse=True
)

for idx, score in results:
    print(f"{score:.4f} | {documents[idx]}")

Αναμενόμενο αποτέλεσμα:

0.9123 | How to feed a 3-month-old puppy
0.8756 | Dietary regimen for newborn puppies
0.8421 | Feeding the young dog
0.4532 | How to feed a startup project like a puppy
0.1245 | The basics of Italian cuisine

Τα τρία σχετικά έγγραφα καταλαμβάνουν τις τρεις πρώτες θέσεις παρά την εντελώς διαφορετική διατύπωση, ενώ το ψευδώς θετικό αποτέλεσμα πέφτει στο 0,45—πολύ κάτω από το κατώφλι που θα το έφερνε στην κορυφή. Το μοντέλο κατάλαβε ότι εδώ το «κουτάβι» λειτουργεί ως σύγκριση και όχι ως θέμα.

Δομημένη σύγκριση

ΚριτήριοΛέξεις-κλειδιά (BM25)Σημασιολογική (embeddings)
Συνώνυμα❌ Αποτυγχάνει✅ Λειτουργεί
Διατύπωση με διαφορετικά λόγια❌ Αποτυγχάνει✅ Λειτουργεί
Πολυγλωσσικότητα❌ Αδύνατη✅ Εφικτή
Ορθογραφικά λάθη❌ Αποτυγχάνει✅ Ανεκτική
Ακριβής αντιστοίχιση✅ Άριστη⚠️ Μερικές φορές ανακριβής
Κύρια ονόματα, κωδικοί✅ Άριστη⚠️ Μπορεί να δημιουργήσει σύγχυση
Ταχύτητα (μεγάλο σώμα κειμένου)✅ Πολύ γρήγορη⚠️ Απαιτεί ευρετήριο
Κόστος✅ Δωρεάν⚠️ Κλήσεις API

Πότε να χρησιμοποιήσετε το καθένα;

Η ανάγνωση του πίνακα δίνει έναν απλό κανόνα: όσο πιο κοντά βρίσκεται ένα ερώτημα σε ένα αναγνωριστικό, τόσο πιο κατάλληλη γίνεται η λεκτική αναζήτηση. Μια αναφορά προϊόντος όπως XR-4471-B, μια ημερομηνία, μια ακριβής κατηγορία ή ένα σπάνιο κύριο όνομα πρέπει να αναζητούνται λέξη προς λέξη· ένα μοντέλο embeddings θα τείνει να συγχέει αυτή την αναφορά με γειτονικές της. Αυτή είναι επίσης η προεπιλεγμένη επιλογή όταν το σώμα κειμένου είναι τεράστιο και ο προϋπολογισμός για embeddings είναι μηδενικός.

Η σημασιολογική αναζήτηση αναλαμβάνει την πρωτοβουλία μόλις ο χρήστης εκφράζεται σε φυσική γλώσσα. Ένα FAQ, η υποστήριξη πελατών, η τεχνική τεκμηρίωση που consultάρονται από μη ειδικούς, ένα πολυγλωσσικό σώμα κειμένου όπου η ερώτηση τίθεται στα Γαλλικά και η απάντηση είναι γραμμένη στα Αγγλικά, ή ακόμη και ένα ασαφές, διερευνητικό ερώτημα: σε όλες αυτές τις περιπτώσεις, το χάσμα μεταξύ του λεξιλογίου του χρήστη και εκείνου των εγγράφων είναι ακριβώς αυτό που τα embeddings ξέρουν πώς να γεφυρώσουν.

Επειδή αυτά τα δύο προφίλ είναι συμπληρωματικά και όχι ανταγωνιστικά, η βέλτιστη απόκριση συχνά συνίσταται στον συνδυασμό και των δύο προσεγγίσεων για να καλυφθούν όλες οι περιπτώσεις. Αυτό είναι το αντικείμενο του Μαθήματος 9.

Υλοποίηση πλήρους σημασιολογικής αναζήτησης

Στην πράξη, encapsulate-άρετε την ευρετηρίαση και την αναζήτηση σε μια μικρή κλάση. Αυτό αποφεύγει τον επανυπολογισμό των διανυσμάτων του σώματος κειμένου για κάθε ερώτημα—το πιο δαπανηρό λάθος που κάνουν οι αρχάριοι.

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

    def index(self, documents: list[dict]):
        """Indexes a list of documents {id, text, ...}."""
        self.documents = documents
        texts = [d["text"] for d in documents]

        response = self.client.embeddings.create(
            input=texts,
            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
        )

    def search(self, query: str, k: int = 5) -> list[dict]:
        """Searches for the k most relevant documents."""
        query_emb = self.client.embeddings.create(
            input=query,
            model=self.model
        ).data[0].embedding

        similarities = self.embeddings @ np.array(query_emb)
        top_k = np.argsort(similarities)[-k:][::-1]

        return [
            {**self.documents[i], "score": float(similarities[i])}
            for i in top_k
        ]

# Usage
engine = SemanticSearch()
engine.index([
    {"id": 1, "text": "How to install Python on Windows"},
    {"id": 2, "text": "Guide to configuring the Python environment"},
    {"id": 3, "text": "The basics of the Python language"},
])

results = engine.search("set up Python on my PC")
for r in results:
    print(f"[{r['score']:.3f}] {r['text']}")

Δοκιμάστε αυτή τη μηχανή με το ερώτημα «set up Python on my PC»: καμία από αυτές τις πέντε λέξεις δεν εμφανίζεται στο έγγραφο 1, το οποίο μιλά για «εγκατάσταση του Python στα Windows». Παρόλα αυτά, θα έπρεπε να καταταχθεί πρώτο. Στη συνέχεια, τροποποιήστε το ερώτημα για να μιλήσει για «διαμόρφωση του περιβάλλοντος» και παρατηρήστε πώς η κατάταξη μετατοπίζεται στο έγγραφο 2—τώρα διαθέτετε έναν ελάχιστο πάγκο δοκιμών για να επαληθεύσετε τη συμπεριφορά του ευρετηρίου σας πριν το populate-άρετε σοβαρά.

Βασικά σημεία

  • Η αναζήτηση με λέξεις-κλειδιά αποτυγχάνει με τα συνώνυμα και τη διατύπωση με διαφορετικά λόγια
  • Η σημασιολογική αναζήτηση συγκρίνει το νόημα μέσω embeddings
  • Κάθε προσέγγιση έχει τα δυνατά της σημεία: η υβριδική αναζήτηση τα συνδυάζει και τα δύο
  • Μια απλή σημασιολογική μηχανή μπορεί να χτιστεί σε μερικές δεκάδες γραμμές κώδικα