ハイブリッド検索クイズ

クイズに答えると、答えと解説が表示されます。

1. ハイブリッド検索では通常、どの 2 つの検索アプローチを組み合わせますか?
   • スパースキーワード検索 (BM25 など) およびデンスベクトル検索
   • 回答を投票する 2 つの異なる大規模言語モデル
   • SQL クエリとフルテキスト インデックスのみ
   • 画像検索と音声検索
2. 結果をマージするために相互ランク融合 (RRF) が一般的に使用されるのはなぜですか?
   • クエリごとに新しいニューラル ネットワークをトレーニングします
   • 生のスコアではなくランク位置に基づいてドキュメントを結合し、スケールの不一致を回避します
   • 両方のリストに表示されるドキュメントを削除します。
   • 各リトリーバーからの単一の上位結果のみを保持します。
3. ハイブリッド検索のスパース (キーワード) コンポーネントに最も適したシナリオはどれですか?
   • クエリを別の単語で言い換えたドキュメントの検索
   • 文章の感情的な調子を理解する
   • 文字どおり表示される必要がある正確な部品番号またはエラー コードの一致
   • クエリを別の言語に翻訳する
4. 密ベクトル検索のみを使用する主な弱点は何ですか?
   • 同義語や言い換えが理解できない
   • 画像に対してのみ機能します
   • 埋め込みはまったく必要ありません
   • 特定のコードや姓など、まったく珍しいトークンを見逃す可能性があります
5. SPLADE のような学習済みスパース モデルは何をするのでしょうか?
   • ニューラル ネットワークを使用して解釈可能な用語の重みを生成し、疎なアイデアと密なアイデアを融合します。
   • 一致するすべてのキーワードを検索から削除します
   • 画像をベクトルとしてのみ保存します
   • 検索の必要がなくなります
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