Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

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.

Aussi appelé : sparse embeddings, SPLADE, learned sparse retrieval

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

Dans un embedding dense, chaque valeur est non nulle et aucune n'a de sens fixe. Dans un vecteur parcimonieux, chaque position correspond à un terme du vocabulaire, et seuls les termes qui comptent pour le texte reçoivent un poids. BM25 est la méthode parcimonieuse classique, avec des poids issus d'une formule fixe.

Modèles parcimonieux appris

Des modèles comme SPLADE utilisent un réseau de neurones pour fixer les poids. Ils peuvent aussi ajouter des termes associés que le texte n'a jamais employés, une étape appelée expansion, si bien qu'un document sur les « automobiles » reçoit aussi du poids sur « voiture ». Le résultat conserve les atouts de la recherche par mots-clés, la correspondance exacte des termes et les index inversés, tout en réduisant en partie l'écart avec les modèles denses sur le sens.

Pourquoi l'utiliser

Les vecteurs parcimonieux sont faciles à inspecter : vous voyez quels mots ont déterminé une correspondance. Ils réussissent bien sur les noms, les codes et le jargon que les modèles denses brouillent. Ils tournent aussi sur les moteurs de recherche existants. Une configuration courante est la recherche hybride avec un système de recherche parcimonieux et un dense, fusionnés avant le reranking.

Limites

Les modèles parcimonieux appris demandent un appel au modèle à l'indexation et à la requête, contrairement à BM25. Leur vocabulaire est fixé par le tokenizer, ce qui peut les mettre en difficulté d'une langue à l'autre. La prise en charge varie selon les bases de données vectorielles ; vérifiez la vôtre avant de vous engager.

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 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.
Embedding
Un embedding (plongement vectoriel) est une liste de nombres (un vecteur) qui représente un morceau de texte, une image ou d'autres données, produite de sorte que les éléments de sens proche obtiennent des vecteurs proches les uns des autres.
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.

Sources