Wyszukiwanie hybrydowe (semantyczne + leksykalne)
Na tej stronie
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
alphakontroluje balans między dwoma podejściami - Weaviate oferuje wyszukiwanie hybrydowe natywnie