Tfittxija ibrida (semantika + lessikali)
F'din il-paġna
Għanijiet
- Fehem għaliex tgħaqqad it-tfittxija semantika u dik lessikali huwa importanti
- Implimenta t-tfittxija ibrida bl-użu ta’ Reciprocal Rank Fusion
- Uża t-tfittxija ibrida f’databases vettorjali
Il-problema: l-ebda approċċ wieħed mhu perfett
It-tfittxija semantika taqbel ħafna fit-trattament tas-sinonimi iżda tista’ titlef termini tekniċi preċiżi; it-tfittxija lessikali tagħmel l-eżatt oppost. Ħu bħala eżempju mistoqsija ta’ amministratur tas-sistema, “nginx error 503”, u ara kif jiġu mġieba ż-żewġ magni kontra bażi ta’ dokumentazzjoni teknika.
# 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 ✅
It-tfittxija semantika tifhem li dan jirreferi għal inċident tas-server u toħroġ artikli ġenerali, iżda n-numru 503 jaħrabilha: għal mudell ta’ embedding, 503 u 504 huma biss żewġ numri ta’ tliet ċifri, semantikament qrib xulxin għalkemm jindikaw ħsarat differenti. It-tfittxija lessikali tirrikupra l-kodiċi eżatt iżda titlef l-artiklu dwar it-timeouts tal-proxy invers, li spiss jiddeskrivi l-kawża primarja. L-ebda metodu waħdu ma jirritorna l-paġna tar-riżultati t-tajba; l-unjoni tagħhom iva.
Tfittxija lessikali b’BM25
BM25 huwa l-algoritmu standard għat-tfittxija b’kliem ewlieni. Jiżen kull terminu abbażi tar-rarità tiegħu fil-corpus u l-frekwenza tiegħu fid-dokument, u b’mod naturali joħroġ termini diskriminatorji bħal “503” jew “nginx”. Madankollu, trid tgħaddilu tokens nodfa: il-funzjoni ta’ tokenizzazzjoni tbiddel it-test għal ittri żgħar, testraġġi l-kliem, u tneħħi stop words Franċiżi, li ma jżidux sinjal ta’ rilevanza.
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)
Issa għandek bżonn tgħaqqad iż-żewġ klassifikazzjonijiet, li huwa aktar diffiċli milli jidher: punteġġ cosine jinsab bejn 0 u 1, filwaqt li punteġġ BM25 m’għandux limitu massimu. Li żżidhom direttament iħalli lil BM25 jegħleb is-sinjal semantiku. RRF jevita dan billi jinjora l-punteġġi raw u jżomm biss il-klassifikazzjonijiet: kull dokument jirċievi 1 / (k + rank) f’kull lista, u inti tgħodd dawn il-kontribuzzjonijiet. Dokument li jikklassifika tajjeb kullimkien hekk jegħleb dokument li jeċċella f’lista waħda biss.
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
)
Il-kostanti k, konvenzjonalment issettjata għal 60 abbażi tal-letteratura, tnaqqas id-differenza bejn il-pożizzjonijiet ta’ quddiem: mingħajrha, l-ewwel klassifikazzjoni tkun tiżen darbtejn aktar mit-tieni, u tagħmel il-fużjoni wisq sensittiva għal differenzi żgħar fil-klassifikazzjoni.
Pipeline ibrida sħiħa
Il-klassi hawn taħt iżżomm iż-żewġ indiċijiet paralleli fuq l-istess corpus, tħaddem iż-żewġ tfittxijiet fuq kull mistoqsija, u tgħaqqad il-klassifikazzjonijiet. Tirritorna wkoll punteġġi individwali—detall prezzjuż waqt is-sintonizzazzjoni, peress li tqabbilhom juri liema magna ġarrbet riżultat partikolari.
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']}")
Fuq dan il-corpus ta’ erba’ dokumenti, l-artiklu “nginx error 503” jiddomina l-klassifikazzjoni lessikali, filwaqt li “web server issues” jiddomina dik semantika; il-fużjoni ġġib iż-żewġ artikli fit-tliet ta’ fuq, xi ħaġa li l-ebda metodu waħdu ma jkun jista’ jikseb.
Tfittxija ibrida nattiva f’Weaviate’
Jekk diġà tuża Weaviate, m’għandekx bżonn tikteb dan kollu: id-database tintegra l-fużjoni u tesponiha f’mistoqsija waħda, b’parametru alpha li jibbilanċja ż-żewġ magni—0 għal lessikali pur, 1 għal semantiku pur.
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']}")
Alpha ta’ 0.7 huwa punt tat-tluq raġonevoli, iżda mhuwiex universali: corpus rikk f’referenzi tekniċi u kodiċijiet ta’ żball jibbenefika minn tnaqqis lejn 0.5, filwaqt li bażi tal-għarfien miktuba b’lingwaġġ sempliċi tista’ tittratta 0.8. Issintonizza dan is-slider biss meta jkollok sett ta’ evalwazzjoni quddiemek—dan huwa preċiżament is-suġġett tal-lezzjoni li jmiss.
Punti Ewlenin
- It-tfittxija ibrida tgħaqqad is-semantika (tifsira) u l-lessikali (kliem eżatt)
- Reciprocal Rank Fusion (RRF) tgħaqqad il-klassifikazzjonijiet b’mod effettiv
- Il-parametru
alphajikkontrolla l-bilanċ bejn iż-żewġ approċċi - Weaviate joffri tfittxija ibrida b’mod nattiv