Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Pesquisa híbrida (semântica + lexical)

Aula 9 de 22 Atualizada a 29 de julho de 2026 Programador
Nesta página
  1. Objetivos
  2. O problema: nenhuma abordagem isolada é perfeita
  3. Pesquisa lexical com BM25
  4. Reciprocal Rank Fusion (RRF)
  5. Pipeline híbrido completo
  6. Pesquisa híbrida nativa no Weaviate
  7. Pontos-chave

Objetivos

  • Compreender por que é importante combinar pesquisa semântica e lexical
  • Implementar pesquisa híbrida usando Reciprocal Rank Fusion (Fusão de Classificação Recíproca)
  • Utilizar pesquisa híbrida em bases de dados vetoriais

O problema: nenhuma abordagem isolada é perfeita

A pesquisa semântica destaca-se no tratamento de sinónimos, mas pode falhar na deteção de termos técnicos precisos; a pesquisa lexical faz exatamente o oposto. Considere a consulta de um administrador de sistemas, “nginx error 503”, e observe como ambos os motores se comportam face a uma base de documentação técnica.

# 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 pesquisa semântica entende que isto se refere a um incidente de servidor e apresenta artigos gerais, mas o número 503 escapa-lhe: para um modelo de incorporação (embedding), 503 e 504 são apenas dois números de três dígitos, semanticamente próximos, embora denotem indisponibilidades diferentes. A pesquisa lexical recupera o código exato, mas perde o artigo sobre tempos limite (timeouts) de proxy reverso, que muitas vezes descreve a causa raiz. Nenhum método isolado devolve a página de resultados correta; a união de ambos sim.

Pesquisa lexical com BM25

O BM25 é o algoritmo padrão para pesquisa por palavras-chave. Pondera cada termo com base na sua raridade no corpus e na sua frequência no documento, destacando naturalmente termos discriminativos como “503” ou “nginx”. No entanto, deve fornecer-lhe tokens limpos: a função de tokenização coloca o texto em minúsculas, extrai as palavras e remove as palavras de parada (stop words) em francês, que não acrescentam sinal de relevância.

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)

Agora precisa de combinar as duas classificações, o que é mais complicado do que parece: uma pontuação de cosseno situa-se entre 0 e 1, enquanto uma pontuação BM25 não tem limite superior. Somá-las diretamente faria com que o BM25 sufocasse o sinal semântico. O RRF contorna este problema ignorando as pontuações brutas e mantendo apenas as classificações: cada documento recebe 1 / (k + rank) em cada lista, e soma-se estas contribuições. Um documento bem classificado em todo o lado supera assim um documento que se destaca apenas numa lista.

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 constante k, convencionalmente definida como 60 com base na literatura, atenua a diferença entre as primeiras posições: sem ela, a primeira classificação pesaria o dobro da segunda, tornando a fusão demasiado sensível a pequenas diferenças de classificação.

Pipeline híbrido completo

A classe abaixo mantém ambos os índices em paralelo sobre o mesmo corpus, executa ambas as pesquisas em cada consulta e funde as classificações. Devolve também as pontuações individuais — um detalhe valioso durante o ajuste (tuning), pois compará-las mostra qual motor sustentou um determinado resultado.

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']}")

Neste corpus de quatro documentos, o artigo “nginx error 503” domina a classificação lexical, enquanto “web server issues” domina a semântica; a fusão traz ambos para o top três, algo que nenhum método conseguiria alcançar isoladamente.

Pesquisa híbrida nativa no Weaviate

Se já utiliza o Weaviate, não precisa de escrever tudo isto: a base de dados integra a fusão e expõe-na numa única consulta, com um parâmetro alpha que equilibra os dois motores — 0 para pesquisa puramente lexical, 1 para puramente semântica.

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']}")

Um alpha de 0,7 é um ponto de partida razoável, mas não é universal: um corpus rico em referências técnicas e códigos de erro beneficia de descer para 0,5, enquanto uma base de conhecimento escrita em linguagem corrente pode suportar 0,8. Ajuste este controlo apenas com um conjunto de avaliação à sua frente — esse é precisamente o tema da próxima lição.

Pontos-chave

  • A pesquisa híbrida combina semântica (significado) e lexical (palavras exatas)
  • O Reciprocal Rank Fusion (RRF) funde classificações de forma eficaz
  • O parâmetro alpha controla o equilíbrio entre as duas abordagens
  • O Weaviate oferece pesquisa híbrida nativamente