Mit dem Guide verknüpftes Quiz · Mittel Ebene

Hybrid-Suchquiz

Informieren Sie sich über lexikalisches und dichtes Abrufen, Rangfusion, neuronale Sparse-Methoden und warum die Qualität des Abrufs je nach Domäne variiert. Testen Sie jedes auf Zielabfragen.

Verwandte FührungspfadeHybride Suche
Frage 1 von 8

Welche beiden Retrieval-Ansätze kombiniert die Hybridsuche typischerweise?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Welche beiden Retrieval-Ansätze kombiniert die Hybridsuche typischerweise?
    • Sparse-Schlüsselwortsuche (z. B. BM25) und dichte Vektorsuche
    • Zwei verschiedene große Sprachmodelle stimmen über Antworten ab
    • Nur SQL-Abfragen und Volltextindizes
    • Bildsuche und Audiosuche
  2. Warum wird Reciprocal Rank Fusion (RRF) häufig zum Zusammenführen von Ergebnissen verwendet?
    • Es trainiert für jede Abfrage ein neues neuronales Netzwerk
    • Es kombiniert Dokumente nach Rangposition statt nach Rohwerten und vermeidet so Skaleninkongruenzen
    • Es löscht jedes Dokument, das in beiden Listen erscheint
    • Es wird nur das einzelne Top-Ergebnis jedes Retrievers gespeichert
  3. Welches Szenario begünstigt am meisten die spärliche (Schlüsselwort-)Komponente der Hybridsuche?
    • Suche nach Dokumenten, die die Anfrage mit unterschiedlichen Wörtern umschreiben
    • Den emotionalen Ton eines Satzes verstehen
    • Entspricht einer exakten Teilenummer oder einem Fehlercode, der wörtlich erscheinen muss
    • Eine Anfrage in eine andere Sprache übersetzen
  4. Was ist die Hauptschwäche der alleinigen Verwendung der dichten Vektorsuche?
    • Es kann weder Synonyme noch Paraphrasen verstehen
    • Es funktioniert nur bei Bildern
    • Es sind überhaupt keine Einbettungen erforderlich
    • Es können exakt seltene Zeichen wie bestimmte Codes oder Nachnamen fehlen
  5. Was macht ein erlerntes Sparse-Modell wie SPLADE?
    • Mithilfe eines neuronalen Netzwerks werden interpretierbare Termgewichte erzeugt, die spärliche und dichte Ideen vermischen
    • Es entfernt alle passenden Schlüsselwörter aus der Suche
    • Es speichert Bilder nur als Vektoren
    • Es ersetzt die Notwendigkeit eines Abrufs
  6. What can combining lexical and dense retrieval provide to a RAG system?
    • A guarantee that every generated statement is true
    • Potentially more varied candidate evidence, subject to evaluation of retrieval and answer quality
    • A replacement for grounding sources
    • An automatic legal review of generated answers
  7. What tradeoff did BEIR report for reranking and late-interaction methods on average?
    • They always ran faster and used less compute than BM25
    • They made retrieval independent of the corpus
    • They often achieved stronger zero-shot performance but at higher computational cost
    • They guaranteed a correct generated answer
  8. What did the BEIR benchmark conclude about BM25 in zero-shot retrieval?
    • It always beats every neural retriever
    • It cannot retrieve exact terms
    • It is a dense-vector model
    • It remains a robust baseline across diverse datasets