Busca Semântica
Definição em uma frase: recuperar documentos por significado, usando similaridade entre embeddings, em vez de por sobreposição de termos.
Por que BM25 sozinho não basta
BM25 pontua por sobreposição exata com peso IDF. Isso é poderoso — e cego:
| Caso | BM25 | Embedding |
|---|---|---|
| ”contrato 8842-A” | ✅ exato, IDF máximo | ❌ ruído numérico |
| nome próprio “Fulano Ltda” | ✅ se indexado | ⚠️ falha silenciosa |
| ”como encerrar o contrato” ↔ “termo de rescisão” | ❌ sem termo em comum | ✅ por construção |
Busca híbrida
Combina os dois ranqueamentos e funde com RRF (Reciprocal Rank Fusion) ou ponderação aprendida. Não é ornamento: cada método tem um ponto cego estrutural, não ajustável.
Pipeline de recuperação
| Etapa | Função | Custo |
|---|---|---|
| Busca vetorial | alto recall, 50–100 candidatos | baixo |
| Reranking (cross-encoder) | ordenação fina | médio — mas barato em latência, caro em qualidade |
Reranking é o passo que mais melhora qualidade por custo: embeddings são ótimos em lembrar e imprecisos em ordenar. O cross-encoder vê query e documento juntos, o que o embedding não consegue fazer.
Avaliação
- MTEB — 8 tarefas, 58 datasets, 112 idiomas. Distinção essencial: STS (“mesmo significado?”) vs. Retrieval (“qual chunk responde?”). Um modelo pode ganhar em um e perder no outro.
- Avalie na sua tarefa, com seus casos, não na média do leaderboard.
Autoavaliação
- P: Por que embeddings e BM25 são complementares e não redundantes? R: porque os erros são estruturalmente opostos: o embedding não tem representação de arbitrário/literal, o BM25 não tem paráfrase.
- P: Quando reranking não compensa? R: quando o recall da busca vetorial já é alto e o corpus é pequeno; a etapa extra vira latência sem ganho.
Onde vi isso
- Visto em: Embeddings e vetorização
Ver também
Atualizado em 2026-09-30