اللغات

البحث الهجين

يجمع البحث الهجين بين الاسترجاع بالكلمات المفتاحية والاسترجاع الدلالي بالمتجهات، ثم يدمج القائمتين غالبًا عبر RRF ويعيد ترتيب أفضل المرشحين. يشرح الدليل BM25 والمتجهات الكثيفة والمتفرقة وضبط الدمج وآثار ذلك في SEO وRAG.

نُشر أول مرة: 3 يوليو 2026 · آخر تحديث: 13 أغسطس 2026 · Advanced
اللغات
AIمن تأليفAI v2

يشغّل البحث الهجين استرجاعًا معجميًا مثل BM25 واسترجاعًا دلاليًا بالمتجهات في الوقت نفسه، ثم يدمج النتائج. تلتقط الكلمات المفتاحية الرموز والأسماء والعبارات الدقيقة، بينما تلتقط المتجهات المرادفات وإعادة الصياغة. غالبًا يُستخدم Reciprocal Rank Fusion لأن درجات النظامين غير قابلة للجمع مباشرة، وقد يتبعه نموذج إعادة ترتيب أدق. لا توجد حيلة SEO خاصة بالدمج؛ المطلوب محتوى يتضمن المصطلحات الحرفية ويقدم مقاطع واضحة ومتماسكة دلاليًا.

الخلاصة — يشغّل البحث الهجين الاسترجاع المعجمي، مثل BM25 فوق فهرس مقلوب لمطابقة المصطلحات الدقيقة والتمثيلات المتفرقة، إلى جانب الاسترجاع بالمتجهات الكثيفة، أي تشابه التضمينات عبر ANN للمطابقة الدلالية. يعملان غالبًا بالتوازي، وإن كان التنظيم الدقيق خاصًا بالمنتج، ثم تُدمج قائمتا النتائج في ترتيب واحد. ولأنهما ينتجان درجات بمقاييس غير متوافقة، يكون الدمج غالبًا معتمدًا على الرتبة عبر Reciprocal Rank Fusion (RRF)، مع ضبط الثابت وعمق المرشحين بوصفهما معلمتين للنظام لا قيمتين عامتين، لا معتمدًا على الدرجة. لكن الدمج الموزون بعد التطبيع بديل موثق لدى Weaviate وOpenSearch. ثم تعيد حزم كثيرة ترتيب أفضل k نتائج مدمجة عبر cross-encoder لزيادة الدقة. يتفوق النهج لأن الطريقتين تكملان الاستدعاء: يلتقط الاسترجاع المعجمي السلاسل الدقيقة مثل SKU والرموز والأسماء، ويلتقط الكثيف إعادة الصياغة والمرادفات. لكن المكسب يعتمد على المجموعة والاستعلام وليس ضمانًا بالتفوق في كل معيار. وهذا نمط إنتاج قياسي توفره Microsoft وGoogle وWeaviate وElastic، وهو طبقة الاسترجاع في RAG الحديث. لا يوجد «تحسين للبحث الهجين»؛ فوجود الكلمات المفتاحية يدفع الاستدعاء الحرفي، والمقاطع الموضوعية المكتفية بذاتها تدفع الاستدعاء الدلالي. تحتاج الاثنين.

موضع البحث الهجين

توثق التطبيقات الرسمية عدة أنماط هجينة، لذلك لا يشير المصطلح إلى بنية ثابتة واحدة. Evidence for this claim Hybrid search can combine lexical and vector retrieval in one search workflow. Scope: Elastic's documented implementation; available retrievers and scoring controls vary by engine. Confidence: high · Verified: Elastic: Hybrid search وتتطلب الادعاءات بشأن منتج بحث استهلاكي بعينه دليلًا خاصًا بذلك المنتج. Evidence for this claim Reciprocal rank fusion can merge separately ranked text and vector result lists without requiring their raw scores to share a scale. Scope: Azure AI Search's documented hybrid ranking implementation; fusion choices differ across systems. Confidence: high · Verified: Microsoft: Hybrid search scoring

يُقدَّم البحث بالكلمات المفتاحية والبحث بالمتجهات عادة بوصفهما خصمين: «الطريقة القديمة» مقابل «الطريقة الجديدة». في الإنتاج ليسا خصمين؛ بل زميلان، والبحث الهجين هو الترتيب الذي يضعهما في فريق واحد.

لتحديد الأجزاء بدقة:

  • الاسترجاع المعجمي بالكلمات المفتاحية: الفهرس المقلوب التقليدي، مع تسجيل الدرجات عبر BM25، وهي دالة الترتيب الاحتمالية التي تمثل خط الأساس للاسترجاع منذ 1994. يطابق المصطلحات. وتمثيله للمستند متفرق: متجه ضخم معظمه أصفار، وله أوزان عند الكلمات الموجودة.
  • الاسترجاع الكثيف بالمتجهات: جانب البحث بالمتجهات. يقارن متجهات التضمين بمقياس مسافة، غالبًا تشابه جيب التمام، ويجد أقرب الجيران في فضاء عالي الأبعاد عبر خوارزميات الجيران الأقرب التقريبية (ANN). وتمثيله كثيف؛ إذ يحمل كل بُعد معنى. وهذه الآلية هي ما يقصده معظم الناس بقول البحث الدلالي، مع أن البحث الدلالي هو الهدف والبحث بالمتجهات طريقة لتحقيقه.

يشغّل البحث الهجين الاثنين ويوفق بينهما. وتعمم بعض الأنظمة الفكرة؛ فمثلًا يدعم Google Vertex AI Vector Search تضمينات كثيفة ومتفرقة وهجينة، ويجمع الهجين النوعين.

Hybrid retrieval keeps both exact-match and semantic recall, merges ranks, then reranks for precision. المصدر: /ai-search/how-search-works/hybrid-search/

Lexical search retrieves exact words with BM25 while dense search retrieves semantic matches with vectors. Reciprocal Rank Fusion combines the two rank lists rather than adding incompatible raw scores. A reranker then makes a final precision pass over the merged candidates. Implementations vary, so this is a common production pattern rather than a universal fixed architecture.

© Patrick Stox LLC · CC BY 4.0 ·

لماذا يتفوق الهجين على كل طريقة منفردة؟

تدور الحجة حول تكامل الاستدعاء. يخفق كل مسترجع بطريقة لا يخفق بها الآخر:

  • البحث الخالص بالكلمات المفتاحية يفوّت الصيغ الدلالية. لا تشترك عبارتا «كيفية إصلاح صنبور يسرب» و«إصلاح حنفية تقطر» إلا في كلمات قليلة رغم تطابق المعنى؛ فيسجلهما BM25 بوصفهما غير مرتبطتين، بينما يضعهما نموذج متجهي قرب بعضهما.
  • البحث الخالص بالمتجهات يفوّت العناصر الحرفية الدقيقة. اطلب رمز خطأ أو رقم قطعة أو اسم علم نادرًا أو عبارة محددة، وقد يتجاوزها الاسترجاع الكثيف المصمم لتعميم المعنى. وهذا إخفاق معروف؛ فالمسترجعات الكثيفة ضعيفة مع المصطلحات خارج المفردات واستعلامات المطابقة الحرفية.

اجمعهما فتغطي نقاط العمى بعضها، في عبء استعلامات مختلط ومجموعة يهم فيها كل من المصطلحات الدقيقة وإعادة الصياغة. يصف فريق Azure AI Search في Microsoft الهجين بوصفه الإعداد الافتراضي لأن “vector and keyword retrieval methods… are combined so that you get the best of both approaches.” (الترجمة العربية) «تُجمع طريقتا الاسترجاع بالمتجهات والكلمات المفتاحية لتحصل على أفضل ما في النهجين». وعلى الجانب البحثي، تفوقت ورقة Dense Passage Retrieval (DPR، Karpukhin وآخرون، EMNLP 2020) التي دشنت عصر الاسترجاع الكثيف على خط أساس Lucene-BM25 قوي بمقدار مطلق 9–19% في دقة استرجاع أفضل 20 مقطعًا، كما وجدت الأدبيات نفسها مرارًا أن دمج الكثيف مع BM25 يتفوق على كل منهما منفردًا في أعباء الاستعلام المختلطة.

يمنع تنبيهان تحويل ذلك إلى ادعاء عام. أولًا، تتقيد هذه الأرقام بمجموعات البيانات والمسترجعات وأعماق المرشحين والمقاييس وبروتوكول الضبط في كل ورقة؛ فهي دليل على أن الدمج قد يساعد، لا ضمان بأنه يتفوق على كل خط أساس معجمي أو متجهي في كل مجموعة ومقياس. ثانيًا، تظهر أدبيات المعايير غير المتجانسة، ومنها BEIR، تبادل النماذج المعجمية والكثيفة للمراكز بين مجموعات البيانات؛ فلا تفوز بنية واحدة بكل مهمة. استقر اتجاه المجال على تقييم الاثنين وشحنهما غالبًا، لا على أن الهجين يفوز تلقائيًا. قِسه على مجموعتك ومزيج استعلاماتك قبل افتراض انتقال المكاسب المنشورة.

مشكلة الدمج: لماذا لا يمكنك جمع الدرجات ببساطة؟

هذا ما يجعل البحث الهجين صعبًا فعلًا، ويستحق تنفيذه بصورة صحيحة.

ينتج BM25 وتشابه المتجهات درجات على مقياسين مختلفين تمامًا. قد تكون درجة BM25 هي 14٫7، بينما يقع تشابه جيب التمام بين −1 و1. لا يمكنك جمعهما، كما أن التطبيع الساذج، مثل تحجيم كل قائمة بين الحدين الأدنى والأقصى ثم الجمع، هش لأنه يتأثر بالقيم الشاذة وعدد النتائج التي يعيدها كل مسترجع. لذلك يكون الحل المتين واسع الاستخدام هو الدمج بحسب الرتبة لا الدرجة.

دمج الرتب التبادلي (RRF)

يأخذ Reciprocal Rank Fusion موضع كل نتيجة في كل قائمة ويسجلها بمجموع 1 / (k + rank) عبر القوائم، حيث rank هو الموضع، مثل 1 و2 و3، وk ثابت شائع قيمته 60 يخفف أثر النتائج المتأخرة جدًا. يجمع المستند القريب من القمة في قائمتي الكلمات والمتجهات أعلى درجة مدمجة ويفوز. ويظل المستند الأول في قائمة واحدة والغائب عن الأخرى جيدًا، لكن ليس بقدر مستند يتفق عليه المسترجعان.

تمثل k وعدد المرشحين الذين يساهم بهم كل مسترجع قبل الدمج معلمات للنظام تضبطها أنت أو المورد، وليست قيمًا مثلى عامة. يتيح Elastic مثلًا rank_constant وrank_window_size قابلين للضبط بدل تثبيتهما؛ ويمكن لنافذة مرشحين أوسع تحسين الاستدعاء مقابل كلفة حوسبة أكبر. عند ضبط حزمة هجينة، تعامل مع 60 كبداية معقولة لا رقمًا لا يُسأل عنه.

انتشر RRF لأنه لا يحتاج تطبيع الدرجات ولا ضبط الأوزان النسبية بين المسترجعين؛ فهو يحتاج ترتيب الرتب القابل للمقارنة دائمًا. تصف Microsoft ترتيبها الهجين هكذا: “Azure AI Search uses Reciprocal Rank Fusion (RRF) to rank the results of the hybrid query” (الترجمة العربية) «يستخدم Azure AI Search دمج الرتب التبادلي لترتيب نتائج الاستعلام الهجين». كما توفر Elastic وWeaviate وOpenSearch خيار RRF أساسيًا. ويقدم Weaviate بديل relativeScoreFusion الذي يطبع الدرجات ويجمعها، كما يقدم OpenSearch معالجات تطبيع وجمع للنهج الموزون نفسه؛ لذا RRF إعداد افتراضي شائع لا طريقة الدمج الوحيدة في الإنتاج.

إعادة الترتيب: مرحلة الدقة

يمنحك الدمج مجموعة مرشحين جيدة بسرعة. تضيف حزم إنتاج كثيرة مرحلة أخرى: تأخذ أفضل k نتائج مدمجة، مثل أفضل 50–100، وتعيد ترتيبها عبر cross-encoder أثقل يقرأ الاستعلام وكل مرشح معًا ويسجل الصلة الحقيقية بدل مقارنة متجهين مستقلين. وهو أبطأ من تطبيقه على المجموعة كلها، لذلك يعمل بعد الاسترجاع على مجموعة صغيرة. توصف قدرات المرتب الدلالي في Microsoft بأنها “improve the quality of an initial BM25-ranked or RRF-ranked search result” (الترجمة العربية) «تحسن جودة نتيجة بحث أولية مرتبة بـBM25 أو RRF»؛ أي يعيد ترتيب ما ضيقه الاسترجاع الهجين. لذلك يكون الشكل الإنتاجي غالبًا: استرجاع BM25 + استرجاع متجهي ← دمج RRF ← إعادة ترتيب cross-encoder ← أفضل النتائج.

المتفرق والكثيف و«المتفرق المتعلم»

ثمة فارق مهم: لا يلزم أن يكون نصف «الكلمات المفتاحية» BM25 عاديًا. توجد فئة وسطى هي الاسترجاع المتفرق المتعلم، مثل SPLADE، ينتج فيها نموذج متجهًا متفرقًا موزون المصطلحات يتضمن مصطلحات موسعة لم تظهر حرفيًا في المستند، فيمنح مدى دلاليًا مع البقاء في عالم المطابقة الدقيقة والفهرس المقلوب. تجمع أنظمة هجينة كثيرة مسترجعًا كثيفًا مع BM25 أو مسترجع متفرق متعلم. ونادرًا ما يهم الفرق في SEO، لكنه يفسر لغة «المتفرق مقابل الكثيف»: المتفرق قائم على المصطلحات، سواء BM25 أو متفرق متعلم، والكثيف قائم على التضمينات. الهجين يجمعهما.

كيف تستخدمه Google وBing؟

توخ الحذر هنا؛ ففي هذا الموضع تتجاوز الادعاءات الواثقة ما ثبت. المثبت رسميًا هو:

  • ترتيب Google هجين وليس دلاليًا خالصًا. يكمل الاسترجاع القائم على التضمينات، مثل Neural Matching وRankEmbed وRankEmbedBERT، الفهرس المقلوب التقليدي بدل استبداله. وصفت شهادة Pandu Nayak أمام وزارة العدل الأمر هكذا: “RankEmbed identifies a few more documents to add to those identified by the traditional retrieval” (الترجمة العربية) «يحدد RankEmbed بضعة مستندات إضافية لإضافتها إلى ما حدده الاسترجاع التقليدي»، وهي فكرة معجمية ودلالية هجينة. كما يدعم منتج Vertex AI Vector Search من Google الأوضاع الكثيفة والمتفرقة والهجينة صراحة.
  • يقدم Bing / Azure AI Search الهجين مع RRF ميزة منتج موثقة؛ وهو أوضح تأكيد أولي للنمط، حتى إن كان في المنتج السحابي لا في تفاصيل محرك المستهلك.
  • حزم إجابات الذكاء الاصطناعي هجينة. يبني Perplexity استرجاعه الهجين، BM25 مع الكثيف، عبر Vespa، وتوصي إرشادات RAG الإنتاجية لدى كبار الموردين بالهجين بدل المتجهات وحدها.

أما نظرية المجال غير المؤكدة فهي طريقة الدمج الدقيقة والأوزان وما إذا كان بحث Google الاستهلاكي يستخدم RRF داخليًا. أكدت Google مزج الاسترجاع المعجمي والتضميني، لكنها لم تنشر «نستخدم RRF بقيمة k=60 في ترتيب الويب». تعامل مع تفاصيل RRF بوصفها آلية الأدوات ونموذجًا معقولًا للمفهوم، لا تفصيلًا مكشوفًا من ترتيب Google الأساسي.

ما معنى البحث الهجين لـSEO؟

عند إزالة التفاصيل الآلية، تصبح الإرشادات بسيطة على نحو منعش؛ فالاسترجاع الهجين يكافئ جودة النصفين ولا توجد حيلة ثالثة.

  • يبقى وجود الكلمات المفتاحية مهمًا لنصف المطابقة الدقيقة. ما زال المسترجع المعجمي يعمل بـBM25 ويلتقط المصطلحات الحرفية. إذا لم تتضمن صفحتك الكلمات والعبارات وأسماء المنتجات والكيانات التي يبحث عنها الناس، خسرت الاستدعاء الذي يمنحه جانب الكلمات. عبارة «ماتت الكلمات المفتاحية» خاطئة؛ والبحث الهجين سبب بقائها.
  • يهم التماسك الدلالي لنصف المعنى. يجدك المسترجع الكثيف بالمعنى ويعمل على المقاطع لا الصفحات كلها. تقترب المقاطع المكتفية بذاتها والمتماسكة موضوعيًا في فضاء التضمين من الاستعلامات التي تجيبها، بينما يتبدد المحتوى الضعيف والمبعثر والمحشو بالكلمات.
  • لا يمكنك تحسين الدمج نفسه. يحدث RRF وإعادة الترتيب داخل المحرك. ولا توجد markup أو وسم أو إشارة ترسلها للتأثير في دمج القائمتين. رافعتاك هما المدخلان: قابلية العثور بالمصطلح الدقيق وبالمعنى.
  • الخلاصة: أجد النصفين. تجمع نظافة الكلمات التقليدية داخل الصفحة، أي وجود الكلمات فعلًا، والعمق الموضوعي الحديث والبنية الواضحة، أي وضوح المعنى، ما بُني البحث الهجين لإظهاره. وكما تشرح موضوعات التضمينات والبحث بالمتجهات، لا يوجد غالبًا ما «تحسنه» سوى محتوى واضح وشامل حقًا؛ والهجين يعني أنك لا تستطيع الاتكال على الكلمات وحدها أو على الانطباعات وحدها.

البحث الهجين هو محرك الاسترجاع تحت RAG وإجابات الذكاء الاصطناعي، والمصالحة بين البحث الدلالي ومطابقة الكلمات التقليدية، والمرحلة السابقة لتسجيل ترتيب المقاطع النهائي. ولا يحدث شيء منه إذا تعذر الزحف إلى الصفحة وفهرستها؛ فالاسترجاع لا يرى إلا ما دخل الفهرس. وللمسار الأوسع، راجع كيف يعمل البحث.

Add an expert note

Pin an expert quote

New person? Create their unclaimed profile at /admin/experts/ → Pin a quote first.