Hibrid keresés (szemantikus + lexikális)
Ezen az oldalon
Célok
- Megérteni, miért fontos a szemantikus és lexikális keresés kombinálása
- Hibrid keresés megvalósítása Reciprocal Rank Fusion (RRF) segítségével
- Hibrid keresés alkalmazása vektoradatbázisokban
A probléma: nincs tökéletes megoldás
A szemantikus keresés kiválóan kezeli a szinonimákat, de gyakran elvét pontos technikai kifejezéseket; a lexikális keresés éppen az ellenkezőjét teszi. Vegyünk egy rendszergazda lekérdezését: „nginx error 503“, és nézzük meg, hogyan viselkedik mindkét motor egy technikai dokumentációs bázissal szemben.
# 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 ✅
A szemantikus keresés felismeri, hogy ez egy szerverincidensre utal, és általános cikkeket emel ki, de az 503-as szám kicsúszik a markából: egy beágyazási modell számára az 503 és az 504 csupán két háromjegyű szám, szemantikusan közel állnak egymáshoz, noha különböző kimaradásokat jelölnek. A lexikális keresés visszahozza a pontos kódot, de elvéteti a reverse proxy timeoutokról szóló cikket, amely gyakran a kiváltó okot írja le. Önmagában egyik módszer sem adja vissza a megfelelő találati oldalt; csak az egyesítésük képes erre.
Lexikális keresés BM25-tel
A BM25 a kulcsszavas keresés szabványos algoritmusa. Minden kifejezést súlyoz a gyűjteményben való ritkasága és a dokumentumban való előfordulási gyakorisága alapján, így természetesen kiemeli a diszkriminatív kifejezéseket, mint az „503“ vagy az „nginx“. Ehhez azonban tiszta tokeneket kell biztosítanod: a tokenizáló függvény kisbetűsíti a szöveget, kinyeri a szavakat, és eltávolítja a francia stop szavakat, amelyek nem hordoznak relevancia-információt.
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)
Most össze kell vonnod a két rangsort, ami nehezebb, mint gondolnád: a koszinusz-pontszám 0 és 1 között mozog, míg a BM25-pontszámnak nincs felső korlátja. Ha közvetlenül összeadnád őket, a BM25 elnyomná a szemantikus jelet. Az RRF megkerüli ezt a problémát: figyelmen kívül hagyja a nyers pontszámokat, és csak a rangsorokat tartja meg: minden dokumentum megkapja az 1 / (k + rank) értéket minden listában, majd ezeket az értékeket összegezed. Így egy olyan dokumentum, amely minden listában jól szerepel, felülkerekedik azon, amely csak az egyikben jeleskedik.
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
)
A k konstans értékét az irodalom alapján hagyományosan 60-ra állítják; ez csillapítja a különbséget a legjobb pozíciók között: enélkül az első hely kétszer annyit érne, mint a második, így az egyesítés túl érzékeny lenne a kisebb rangsorbeli eltérésekre.
Teljes hibrid folyamat
Az alábbi osztály párhuzamosan tartja fenn mindkét indexet ugyanazon a gyűjteményen, minden lekérdezésre lefuttatja mindkét keresést, majd egyesíti a rangsorokat. Emellett visszaadja az egyes pontszámokat is – ez értékes részlet a hangolás során, mivel az összehasonlításuk megmutatja, melyik motor vitt egy adott találatot.
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']}")
Ezen a négy dokumentumból álló gyűjteményen az „nginx error 503“ cikk uralja a lexikális rangsort, míg a „web server issues“ a szemantikusét; az egyesítés mindkettőt bevonzza a legjobb három közé, amit egyik módszer sem érne el egyedül.
Natív hibrid keresés Weaviate-ben
Ha már használsz Weaviate-et, nem kell mindezt kézzel megírnod: az adatbázis integrálja az egyesítést, és egyetlen lekérdezéssel teszi elérhetővé, egy alpha paraméterrel, amely szabályozza a két motor egyensúlyát – 0 a tisztán lexikális, 1 a tisztán szemantikus keresésnek felel meg.
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']}")
A 0,7-es alpha érték jó kiindulópont, de nem univerzális: egy technikai hivatkozásokban és hibakódokban gazdag gyűjtemény esetén érdemes lejjebb menni 0,5 felé, míg egy köznyelven írt tudásbázis elbírja a 0,8-at is. Ezt a csúszkát csak értékelő készlet jelenlétében hangold – ez lesz pontosan a következő lecke témája.
Főbb megállapítások
- A hibrid keresés egyesíti a szemantikus (jelentés) és lexikális (pontos szavak) megközelítést
- A Reciprocal Rank Fusion (RRF) hatékonyan egyesíti a rangsorokat
- Az
alphaparaméter szabályozza a két megközelítés egyensúlyát - A Weaviate natívan támogatja a hibrid keresést