Przejdź do głównej treści
Polski— Wybierz język
Menu

Wyszukiwanie hybrydowe (semantyczne + leksykalne)

Lekcja 9 z 22 Zaktualizowano 29 lipca 2026 Programista
Na tej stronie
  1. Cele
  2. Problem: żadne pojedyncze podejście nie jest idealne
  3. Wyszukiwanie leksykalne z BM25
  4. Reciprocal Rank Fusion (RRF)
  5. Kompletny potok hybrydowy
  6. Natywne wyszukiwanie hybrydowe w Weaviate
  7. Kluczowe wnioski

Cele

  • Zrozumienie, dlaczego łączenie wyszukiwania semantycznego i leksykalnego ma znaczenie
  • Implementacja wyszukiwania hybrydowego przy użyciu Reciprocal Rank Fusion (RRF)
  • Wykorzystanie wyszukiwania hybrydowego w bazach danych wektorowych

Problem: żadne pojedyncze podejście nie jest idealne

Wyszukiwanie semantyczne świetnie radzi sobie z synonimami, ale może przegapić precyzyjne terminy techniczne; wyszukiwanie leksykalne działa dokładnie odwrotnie. Rozważ zapytanie administratora systemu: „błąd nginx 503“ i obserwuj, jak oba silniki zachowują się wobec bazy dokumentacji technicznej.

# 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 ✅

Wyszukiwanie semantyczne rozumie, że chodzi o incydent serwerowy i wyświetla ogólne artykuły, ale liczba 503 umyka mu: dla modelu osadzeń 503 i 504 to po prostu dwie trzycyfrowe liczby, semantycznie bliskie, choć oznaczają różne awarie. Wyszukiwanie leksykalne odnajduje dokładny kod, ale przegapia artykuł o przekroczeniach czasu oczekiwania (timeout) w reverse proxy, który często opisuje przyczynę źródłową. Żadna z tych metod osobno nie zwraca właściwej strony wyników; robi to dopiero ich suma.

Wyszukiwanie leksykalne z BM25

BM25 to standardowy algorytm wyszukiwania słów kluczowych. Waży każdy termin na podstawie jego rzadkości w korpusie i częstotliwości występowania w dokumencie, naturalnie wynosząc naверх terminy dyskryminujące, takie jak „503“ czy „nginx“. Musisz jednak dostarczyć mu czyste tokeny: funkcja tokenizacji zamienia tekst na małe litery, ekstrahuje słowa i usuwa francuskie słowa stop (stop words), które nie wnoszą sygnału istotności.

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)

Teraz musisz połączyć te dwa rankingi, co jest trudniejsze, niż się wydaje: wynik kosinusowy mieści się między 0 a 1, podczas gdy wynik BM25 nie ma górnego ograniczenia. Dodanie ich bezpośrednio sprawiłoby, że BM25 przytłumiłby sygnał semantyczny. RRF omija ten problem, ignorując surowe wyniki i zachowując wyłącznie rangi: każdy dokument otrzymuje wartość 1 / (k + ranga) w każdej liście, a Ty sumujesz te wkłady. Dokument, który plasuje się wysoko wszędzie, pokonuje tym samym dokument, który exceluje tylko w jednej liście.

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
    )

Stała k, konwencjonalnie ustawiana na 60 na podstawie literatury, łagodzi różnicę między najwyższymi pozycjami: bez niej pierwsza ranga ważyłaby dwa razy więcej niż druga, co czyniłoby fuzję zbyt wrażliwą na drobne różnice w rankingach.

Kompletny potok hybrydowy

Poniższa klasa utrzymuje oba indeksy równolegle dla tego samego korpusu, uruchamia oba wyszukiwania dla każdego zapytania i scala rankingi. Zwraca również poszczególne wyniki – cenny szczegół podczas strojenia, ponieważ ich porównanie pokazuje, który silnik „udźwignął“ dany wynik.

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']}")

Na tym czteroelementowym korpusie artykuł „błąd nginx 503“ dominuje w rankingu leksykalnym, podczas gdy „problemy z serwerem WWW“ dominuje w semantycznym; fuzja wprowadza oba do pierwszej trójki, czego żadna z metod nie osiągnęłaby samodzielnie.

Natywne wyszukiwanie hybrydowe w Weaviate

Jeśli już używasz Weaviate, nie musisz pisać wszystkiego od zera: baza danych integruje fuzję i udostępnia ją w jednym zapytaniu, z parametrem alpha, który balansuje między dwoma silnikami – 0 dla czysto leksykalnego, 1 dla czysto semantycznego.

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']}")

Wartość alpha równa 0,7 to rozsądny punkt wyjścia, ale nie jest uniwersalny: korpus bogaty w odniesienia techniczne i kody błędów zyskuje na obniżeniu tej wartości w okolice 0,5, podczas gdy baza wiedzy napisana prostym językiem poradzi sobie z wartością 0,8. Ten suwak stroj wyłącznie mając przed oczami zbiór ewaluacyjny – to właśnie temat następnej lekcji.

Kluczowe wnioski

  • Wyszukiwanie hybrydowe łączy aspekty semantyczne (znaczenie) i leksykalne (dokładne słowa)
  • Reciprocal Rank Fusion (RRF) skutecznie scala rankingi
  • Parametr alpha kontroluje balans między dwoma podejściami
  • Weaviate oferuje wyszukiwanie hybrydowe natywnie