Récupération parcellaire
La recherche parcimonieuse (Sparse Retrieval) fait référence à une classe de techniques de recherche d'information qui reposent sur des représentations discrètes et explicites du texte, utilisant généralement des vecteurs creux (sparse vectors). Contrairement aux méthodes de recherche dense qui mappent le texte dans des espaces vectoriels continus et de haute dimension, les méthodes parcimonieuses représentent les documents et les requêtes à l'aide de caractéristiques qui sont explicitement présentes, telles que les comptes de termes ou les indicateurs binaires.
Dans les systèmes de recherche d'information à grande échelle, l'efficacité et l'interprétabilité sont cruciales. Les méthodes parcimonieuses offrent des avantages computationnels, notamment en termes de vitesse d'indexation et de recherche, car elles ne stockent et ne traitent que les valeurs de caractéristiques non nulles. Cela les rend hautement évolutives pour des ensembles de données massifs où la correspondance exacte de mots-clés ou la fréquence des termes est primordiale.
Le mécanisme de base consiste à mapper le texte dans un espace de vocabulaire. Chaque document ou requête est représenté par un vecteur dont les dimensions correspondent aux termes du vocabulaire. La valeur dans une dimension est généralement la fréquence (par exemple, le score TF-IDF) ou un indicateur de présence binaire de ce terme dans le document. La recherche est ensuite effectuée en calculant la similarité, souvent en utilisant des techniques telles que la similarité cosinus ou le produit scalaire, entre le vecteur de requête parcimonieux et les vecteurs de document parcimonieux.
La recherche parcimonieuse est largement utilisée dans les moteurs de recherche traditionnels pour une correspondance de mots-clés de haute précision. Elle est également utilisée dans les architectures de recherche hybride, où elle complète les modèles de recherche dense pour capturer à la fois les correspondances de termes exactes et le sens sémantique. Les applications incluent la recherche de produits dans le commerce électronique, les systèmes de gestion de documents et la requête de bases de connaissances.
Les principaux avantages comprennent une grande efficacité computationnelle lors de l'indexation et de la requête, une excellente interprétabilité (on peut retracer les résultats récupérés à des mots-clés spécifiques correspondants) et une robustesse face aux requêtes très spécifiques et chargées de jargon.
Une limitation majeure des méthodes parcimonieuses est leur incapacité à capturer intrinsèquement la similarité sémantique. Si une requête utilise des synonymes ou des concepts connexes qui ne sont pas explicitement présents dans le vocabulaire du document, la recherche parcimonieuse peut ne pas trouver les résultats pertinents, entraînant un rappel plus faible par rapport aux modèles denses.
Cette technique est souvent mise en contraste avec la Recherche Dense (Dense Retrieval), qui utilise des réseaux neuronaux pour générer des plongements continus (embeddings). Elle est également étroitement liée à des techniques comme BM25, qui est un algorithme de recherche parcimonieuse hautement optimisé.
