Quiz collegato alla guida · Medio Livello

Quiz di ricerca ibrida

Esaminare il recupero lessicale e denso, la fusione dei ranghi, i metodi neurali sparsi e il motivo per cui la qualità del recupero varia in base al dominio. Testarli ciascuno sulle query di destinazione.

Percorsi guida correlatiRicerca ibrida
Domanda 1 di 8

Quali sono i due approcci di recupero solitamente combinati dalla ricerca ibrida?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Quali sono i due approcci di recupero solitamente combinati dalla ricerca ibrida?
    • Ricerca di parole chiave sparse (ad esempio, BM25) e ricerca vettoriale densa
    • Due diversi modelli linguistici di grandi dimensioni che votano sulle risposte
    • Solo query SQL e indici full-text
    • Ricerca di immagini e ricerca audio
  2. Perché la Reciprocal Rank Fusion (RRF) viene comunemente utilizzata per unire i risultati?
    • Addestra una nuova rete neurale per ogni query
    • Combina i documenti in base alla posizione in classifica invece che ai punteggi grezzi, evitando discrepanze di scala
    • Elimina qualsiasi documento presente in entrambi gli elenchi
    • Mantiene solo il singolo miglior risultato di ciascun retriever
  3. Quale scenario favorisce maggiormente la componente sparsa (parole chiave) della ricerca ibrida?
    • Trovare documenti che parafrasano la query con parole diverse
    • Comprendere il tono emotivo di una frase
    • Corrispondenza con un numero di parte esatto o un codice di errore che deve apparire in modo letterale
    • Tradurre una query in un'altra lingua
  4. Qual è il principale punto debole dell'utilizzo della sola ricerca vettoriale densa?
    • Non riesce a comprendere sinonimi o parafrasi
    • Funziona solo sulle immagini
    • Non richiede alcun incorporamento
    • Possono mancare token rari esatti come codici o cognomi specifici
  5. Cosa fa un modello sparso appreso come SPLADE?
    • Produce pesi dei termini interpretabili utilizzando una rete neurale, fondendo idee sparse e dense
    • Rimuove tutte le parole chiave corrispondenti dalla ricerca
    • Memorizza solo le immagini come vettori
    • Sostituisce la necessità di qualsiasi recupero
  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