Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Pretraživanje hibridnog tipa (semantičko + leksičko)

Lekcija 9 od 22 Ažurirano 29. srpnja 2026. Programer
Na ovoj stranici
  1. Ciljevi
  2. Problem: nijedan pristup nije savršen
  3. Leksičko pretraživanje s BM25
  4. Reciprocal Rank Fusion (RRF)
  5. Potpuni hibridni pipeline
  6. Izvorno hibridno pretraživanje u Weaviateu
  7. Ključne točke

Ciljevi

  • Razumjeti zašto je kombiniranje semantičkog i leksičkog pretraživanja ključno
  • Implementirati hibridno pretraživanje koristeći Reciprocal Rank Fusion (RRF)
  • Koristiti hibridno pretraživanje u vektorskim bazama podataka

Problem: nijedan pristup nije savršen

Semantičko pretraživanje izvrsno obrađuje sinonime, ali može promašiti precizne tehničke pojmove; leksičko pretraživanje radi točno suprotno. Razmotri upit administratora sustava „nginx error 503“ i promatraj kako se oba mehanizma ponašaju nad bazom tehničke dokumentacije.

# 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 ✅

Semantičko pretraživanje shvaća da se radi o incidentu na poslužitelju i izdvaja općenite članke, no broj 503 mu izmiče: za model ugradnje (embedding), 503 i 504 su samo dva troznamenkasta broja, semantički bliska iako označavaju različite kvarove. Leksičko pretraživanje dohvaća točan kod, ali promašuje članak o isteku vremena (timeout) reverse proxyja, koji često opisuje uzrok problema. Ni jedna metoda sama ne vraća ispravnu stranicu s rezultatima; to čini njihova unija.

Leksičko pretraživanje s BM25

BM25 je standardni algoritam za pretraživanje ključnih riječi. Vaga svaki pojam na temelju njegove rijetkosti u korpusu i učestalosti u dokumentu, prirodno izdvajajući diskriminirajuće pojmove poput „503“ ili „nginx“. Međutim, moraš mu dostaviti čiste tokene: funkcija tokenizacije pretvara tekst u mala slova, izdvaja riječi i uklanja hrvatske stop-riječi koje ne donose signal relevantnosti.

from rank_bm25 import BM25Okapi
import re

def tokenize(text: str) -> list[str]:
    """Jednostavna tokenizacija za hrvatski."""
    text = text.lower()
    tokens = re.findall(r"\b\w+\b", text)
    # Ukloni česte stop-riječi
    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",
]

# Indeksiraj s BM25
tokenized_corpus = [tokenize(doc) for doc in documents]
bm25 = BM25Okapi(tokenized_corpus)

# Pretraži
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)

Sada moraš kombinirati ta dva rangiranja, što je složenije nego što izgleda: kosinusna ocjena kreće se između 0 i 1, dok BM25 ocjena nema gornju granicu. Njihovo izravno zbrajanje omogućilo bi BM25 da potpuno nadjača semantički signal. RRF zaobilazi ovaj problem ignoriranjem sirovih ocjena i zadržavanjem samo rangova: svaki dokument dobiva 1 / (k + rank) u svakom popisu, a ti zbrajaš te doprinose. Dokument koji se dobro rangira svugdje tako pobjeđuje dokument koji odlično stoji samo u jednom popisu.

def reciprocal_rank_fusion(
    result_lists: list[list[tuple[int, float]]],
    k: int = 60
) -> list[tuple[int, float]]:
    """Spaja više popis rezultata koristeći RRF.

    Args:
        result_lists: popis popisa od (doc_id, score)
        k: RRF konstanta (60 je 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)

    # Sortiraj po ocjeni silazno
    return sorted(
        fused_scores.items(),
        key=lambda x: x[1],
        reverse=True
    )

Konstanta k, konvencionalno postavljena na 60 na temelju literature, ublažava jaz između vrhunskih pozicija: bez nje, prvi rang bi imao dvostruko veću težinu od drugog, čineći fuziju preosjetljivom na manje razlike u rangiranju.

Potpuni hibridni pipeline

Donja klasa održava oba indeksa paralelno nad istim korpusom, pokreće oba pretraživanja za svaki upit i spaja rangiranja. Također vraća pojedinačne ocjene – vrijedan detalj tijekom ugađanja, jer njihova usporedba pokazuje koji je mehanizam „nosio“ određeni rezultat.

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

        # Semantički indeks
        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 indeks
        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]:
        # Semantičko pretraživanje
        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]
        ]

        # Leksičko pretraživanje
        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 Fuzija
        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]
        ]

# Upotreba
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 ovom korpusu od četiri dokumenta, članak „nginx error 503“ dominira leksičkim rangiranjem, dok „web server issues“ dominira semantičkim; fuzija dovodi oba u prve tri pozicije, što nijedna metoda sama ne bi postigla.

Izvorno hibridno pretraživanje u Weaviateu

Ako već koristiš Weaviate, ne moraš pisati sve ovo: baza podataka integrira fuziju i izlaže je u jednom upitu, s parametrom alpha koji balansira dva mehanizma – 0 za čisto leksičko, 1 za čisto semantičko.

import weaviate

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

# Izvorno hibridno pretraživanje
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']}")

Vrijednost alpha od 0.7 razumna je početna točka, ali nije univerzalna: korpus bogat tehničkim referencama i kodovima pogrešaka ima koristi od smanjenja prema 0.5, dok baza znanja napisana jednostavnim jezikom može podnijeti 0.8. Ovaj klizač ugađaj isključivo uz evaluacijski skup ispred sebe – to je upravo tema sljedeće lekcije.

Ključne točke

  • Hibridno pretraživanje kombinira semantičko (značenje) i leksičko (točne riječi)
  • Reciprocal Rank Fusion (RRF) učinkovito spaja rangiranja
  • Parametar alpha kontrolira ravnotežu između dva pristupa
  • Weaviate nudi hibridno pretraživanje izvorno