Recherche hybride : mots-clés + vecteurs, définition

Niveau	Avancé

Définition

Dit simplement : on interroge deux moteurs à la fois, l’un qui cherche les mots exacts, l’autre qui cherche le sens, et on combine leurs réponses. La recherche par mots-clés (souvent l’algorithme BM25) excelle sur les termes rares et les identifiants. La recherche sémantique compare des embeddings, des vecteurs qui représentent le sens, et retrouve les paraphrases. Chacune a des angles morts que l’autre couvre.

Comment les résultats sont fusionnés

Les deux scores ne sont pas comparables entre eux : une note BM25 et une similarité cosinus n’ont pas la même échelle. Deux familles de fusion dominent :

Fusion par rangs : la plus connue est la Reciprocal Rank Fusion (RRF), décrite par Cormack et ses coauteurs en 2009. Chaque document reçoit, pour chaque liste, 1 / (k + rang), puis on additionne. Dans la documentation d’Elasticsearch, la constante k vaut 60 par défaut. Avantage : aucun calibrage des scores.
Fusion par scores normalisés : on ramène chaque score sur une même échelle avant de les pondérer. Weaviate propose les deux approches, avec un paramètre alpha pour doser vecteurs et mots-clés.

Un exemple concret

Le support d’un fabricant d’imprimantes reçoit : « Mon imprimante affiche E-4012 et ne s’allume plus. » La recherche sémantique trouve des fiches sur les « problèmes d’alimentation », mais classe mal la fiche qui mentionne précisément le code E-4012. BM25 trouve cette fiche, mais rate un guide intitulé « l’appareil ne démarre pas ». La fusion place les deux en tête : le modèle d’un RAG reçoit alors le bon contexte.

Pourquoi ça compte

Le banc d’essai BEIR (2021) a montré que BM25 reste une base robuste face à des modèles de recherche dense sur des domaines variés. Et dans son étude sur la Contextual Retrieval (septembre 2024), Anthropic indique que combiner embeddings et BM25 réduit davantage les échecs de récupération que les embeddings seuls, sur ses jeux de test. La qualité finale dépend aussi du découpage des documents et d’une éventuelle étape de reranking.

Idées reçues

« Les embeddings ont rendu les mots-clés obsolètes. » Pour les codes, noms et références exactes, c’est souvent l’inverse.
« Hybride = deux fois plus lent. » Les deux requêtes tournent en parallèle ; le surcoût est en général modeste comparé à l’appel au modèle.
« Un réglage vaut pour tous les corpus. » Le bon équilibre dépend de vos documents et de vos questions : il se mesure.

Termes voisins : base de données vectorielle, recherche sémantique, reranking, RAG.

Termes liés

Recherche sémantique · Recherche qui retrouve des contenus par leur sens, et non par mots identiques, en comparant des représentations numériques des textes.

Embedding (plongement) · Liste de nombres (un vecteur) qui représente le sens d'un texte ou d'une image, pour comparer des contenus par leur proximité de sens.

RAG (génération augmentée par récupération) · Technique qui va chercher des passages dans vos documents avant de répondre, et les donne au modèle pour qu'il s'appuie dessus.

Reranking (reclassement) · Seconde étape de recherche : un modèle plus précis relit les meilleurs candidats trouvés et les remet dans le bon ordre de pertinence.

Base de données vectorielle · Base de données qui stocke des embeddings et retrouve très vite ceux qui sont les plus proches d'une question, donc les plus pertinents.

Chunking (découpage en morceaux) · Découpage de documents longs en petits passages cohérents, pour pouvoir les indexer et n'envoyer au modèle que les morceaux utiles.

Questions fréquentes

Quand la recherche hybride est-elle vraiment utile ?

Surtout quand les requêtes mélangent langage naturel et identifiants précis : références produit, codes d'erreur, noms de clients, articles de loi. La recherche par le sens seule a tendance à rater ces correspondances exactes.

Qu'est-ce que BM25 ?

C'est une formule classique de recherche par mots-clés qui note un document selon la fréquence des termes de la requête, en tenant compte de leur rareté dans la collection et de la longueur du document. Elle reste une base de référence solide.

Comment régler le poids entre mots-clés et vecteurs ?

Certains outils exposent un paramètre de pondération, par exemple alpha chez Weaviate, où 0 signifie mots-clés seuls et 1 vecteurs seuls. Le bon réglage se trouve en testant sur un jeu de vraies questions avec les réponses attendues.

La recherche hybride remplace-t-elle le reranking ?

Non, les deux se complètent. La recherche hybride améliore la liste des candidats ; le reranking relit ensuite ces candidats avec un modèle plus précis pour les remettre dans le bon ordre.

Recherche hybride : le meilleur des mots-clés et du sens

L'essentiel en chiffres