Hybridné vyhľadávanie (sémantické + lexikálne)
Na tejto strane
Ciele
- Pochopiť, prečo je kombinácia sémantického a lexikálneho vyhľadávania kľúčová
- Implementovať hybridné vyhľadávanie pomocou Reciprocal Rank Fusion (RRF)
- Využiť hybridné vyhľadávanie vo vektorových databázach
Problém: žiadny jediný prístup nie je dokonalý
Sémantické vyhľadávanie exceluje v práci so synonymami, no často prehliadne presné technické termíny; lexikálne vyhľadávanie funguje presne naopak. Predstav si dopyt správcu systému „nginx error 503“ a sleduj, ako sa oba motory správajú voči báze technickej dokumentácie.
# 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 ✅
Sémantické vyhľadávanie pochopí, že ide o incident na serveri, a zobrazí všeobecné články, no číslo 503 mu unikne: pre model vkladania (embedding) sú 503 a 504 len dve trojciferné čísla, sémanticky blízke, hoci označujú rôzne výpadky. Lexikálne vyhľadávanie nájde presný kód, ale prehliadne článok o časových limitoch reverse proxy, ktorý často opisuje hlavnú príčinu. Ani jedna metóda sama o sebe nevráti správnu výslednú stránku; až ich zjednotenie áno.
Lexikálne vyhľadávanie s BM25
BM25 je štandardný algoritmus pre vyhľadávanie podľa kľúčových slov. Každý termín váhuje na základe jeho zriedkavosti v korpuse a frekvencie v dokumente, čím prirodzene zvýrazňuje diskriminačné termíny ako „503“ alebo „nginx“. Musíš mu však dodať čisté tokeny: funkcia na tokenizáciu prevedie text na malé písmená, extrahuje slová a odstráni slovenské stop slová, ktoré neprinášajú žiadny signál relevance.
from rank_bm25 import BM25Okapi
import re
def tokenize(text: str) -> list[str]:
"""Jednoduchá tokenizácia pre slovenčinu."""
text = text.lower()
tokens = re.findall(r"\b\w+\b", text)
# Odstránenie bežných stop slov
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",
]
# Indexovanie s BM25
tokenized_corpus = [tokenize(doc) for doc in documents]
bm25 = BM25Okapi(tokenized_corpus)
# Vyhľadávanie
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 potrebuješ skombinovať tieto dva rebríčky, čo je zložitejšie, než sa zdá: kozínusové skóre sa pohybuje medzi 0 a 1, zatiaľ čo skóre BM25 nemá hornú hranicu. Ich priame sčítanie by umožnilo BM25 úplne potlačiť sémantický signál. RRF tento problém obchádza ignorovaním surových skóre a zachovaním iba poradia: každý dokument dostane v každom zozname hodnotu 1 / (k + rank) a tieto príspevky sčítaš. Dokument, ktorý sa umiestni vysoko všade, tak porazí dokument, ktorý exceluje len v jednom zozname.
def reciprocal_rank_fusion(
result_lists: list[list[tuple[int, float]]],
k: int = 60
) -> list[tuple[int, float]]:
"""Zlúči viacero zoznamov výsledkov pomocou RRF.
Args:
result_lists: zoznam zoznamov tvaru (doc_id, score)
k: konštanta RRF (60 je štandard)
"""
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)
# Zoradenie podľa skóre zostupne
return sorted(
fused_scores.items(),
key=lambda x: x[1],
reverse=True
)
Konštanta k, konvenčne nastavená na 60 na základe literatúry, tlmí rozdiel medzi najvyššími pozíciami: bez nej by prvá pozícia vážila dvakrát toľko ako druhá, čo by robilo fúziu príliš citlivou na drobné rozdiely v poradiach.
Kompletný hybridný pipeline
Nižšie uvedená trieda udržiava oba indexy paralelne nad rovnakým korpusom, spúšťa obe vyhľadávania pre každý dopyt a fusionuje výsledné poradia. Vracia aj individuálne skóre – cenný detail počas ladenia, keďže ich porovnanie ukáže, ktorý engine niesol daný výsledok.
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
# Sémantický 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]:
# Sémantické vyhľadávanie
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]
]
# Lexikálne vyhľadávanie
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]
]
# Použitie
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 tomto korpuse so štyrmi dokumentmi dominuje článok „nginx error 503“ v lexikálnom poradí, zatiaľ čo „web server issues“ dominuje v tom sémantickom; fúzia dostane obe do top trojky, čo by ani jedna metóda sama nedokázala.
Natívne hybridné vyhľadávanie vo Weaviate
Ak už používaš Weaviate, nemusíš toto všetko písať: databáza integruje fúziu a vystavuje ju v jednej otázke s parametrom alpha, ktorý vyvažuje oba enginy – 0 pre čisto lexikálne, 1 pre čisto sémantické.
import weaviate
wclient = weaviate.connect_to_local()
collection = wclient.collections.get("Document")
# Natívne hybridné vyhľadávanie
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']}")
Hodnota alpha 0,7 je rozumným východiskovým bodom, nie je však univerzálna: korpus bohatý na technické referencie a chybové kódy profituje z poklesu smerom k 0,5, zatiaľ čo znalostná báza napísaná prirodzeným jazykom zvládne 0,8. Tento posúvač ladíš iba s evaluačnou množinou pred očami – to je presne téma nasledujúcej lekcie.
Kľúčové poznatky
- Hybridné vyhľadávanie kombinuje sémantiku (význam) a lexiku (presné slová)
- Reciprocal Rank Fusion (RRF) efektívne spája poradia
- Parameter
alphariadi vyváženosť medzi oboma prístupmi - Weaviate ponúka hybridné vyhľadávanie natívne