Recherche hybride
La recherche hybride (hybrid search) exécute une recherche par mots-clés et une recherche vectorielle sur la même requête et fusionne les deux listes classées, afin que les résultats puissent correspondre aux mots exacts comme au sens.
Aussi appelé : hybrid retrieval
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
La recherche vectorielle est bonne pour les paraphrases et faible pour les identifiants exacts. La recherche par mots-clés avec BM25 fait l'inverse : elle trouve un code d'erreur exact mais rate « l'appli plante à la connexion » quand le document dit « échec d'authentification ». La recherche hybride lance les deux et les combine, ce qui couvre généralement une plus grande part des requêtes que tapent les vrais utilisateurs.
Comment les listes sont fusionnées
Les deux recherches produisent des scores sur des échelles différentes : on ne peut donc pas simplement les additionner. Deux méthodes courantes sont utilisées. La reciprocal rank fusion (RRF) ignore les scores bruts et récompense les documents bien classés dans l'une ou l'autre liste ; elle ne demande aucun réglage. La fusion pondérée des scores normalise les scores de chaque liste et les mélange avec un poids, souvent appelé alpha, qui fixe l'importance de chaque côté.
Exemple
Un site de documentation pour développeurs reçoit une requête mentionnant un code de statut HTTP précis et le mot « retry ». BM25 trouve les pages contenant ce code exact. La recherche vectorielle trouve une page sur les stratégies de backoff qui ne le mentionne jamais. La fusion place les deux près du sommet.
Où elle se situe
La recherche hybride est une première étape. Les équipes envoient souvent ses meilleurs résultats à un modèle de reranking pour un classement final avant de les transmettre à un prompt de génération augmentée par récupération. Beaucoup de bases de données vectorielles, comme Weaviate, la prennent en charge directement. La récupération parcimonieuse apprise peut remplacer BM25 côté mots-clés.
Termes liés
- BM25
- BM25 est une formule de classement pour la recherche par mots-clés. Elle note chaque document selon la fréquence des mots de la requête qu'il contient, en accordant plus de poids aux mots rares et moins de crédit aux documents longs et aux termes répétés.
- Recherche vectorielle
- La recherche vectorielle (vector search) trouve des éléments en comparant leurs embeddings à celui d'une requête et en renvoyant les plus proches, si bien que les résultats correspondent par le sens plutôt que par des mots-clés communs.
- Reranking
- Le reranking (reclassement) est une seconde étape de recherche qui prend une courte liste de documents candidats et les réordonne selon leur pertinence pour la requête, à l'aide d'un modèle plus précis mais plus lent que la première recherche.
- Recherche parcimonieuse
- La recherche parcimonieuse (sparse retrieval) représente les requêtes et les documents sous forme de vecteurs sur un vocabulaire dont la plupart des entrées valent zéro et où chaque entrée non nulle est le poids d'un mot, si bien que la recherche peut utiliser des index inversés rapides comme la recherche par mots-clés.
- Génération augmentée par récupération
- La génération augmentée par récupération (retrieval-augmented generation, RAG) est un schéma dans lequel un système cherche d'abord dans une collection de documents les passages pertinents pour une question, puis fournit ces passages à un modèle de langage pour que sa réponse s'appuie dessus.