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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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