Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Hibrid keresés (szemantikus + lexikális)

9. lecke 22 közül Frissítve 2026. július 29. Fejlesztő
Ezen az oldalon
  1. Célok
  2. A probléma: nincs tökéletes megoldás
  3. Lexikális keresés BM25-tel
  4. Reciprocal Rank Fusion (RRF)
  5. Teljes hibrid folyamat
  6. Natív hibrid keresés Weaviate-ben
  7. Főbb megállapítások

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 alpha paraméter szabályozza a két megközelítés egyensúlyát
  • A Weaviate natívan támogatja a hibrid keresést