Truy xuất thưa thớt
Truy xuất thưa (Sparse Retrieval) là một loại kỹ thuật truy xuất thông tin dựa trên các biểu diễn rời rạc, tường minh của văn bản, thường sử dụng các vector thưa. Không giống như các phương pháp truy xuất dày đặc (dense retrieval) ánh xạ văn bản vào không gian vector liên tục, nhiều chiều, các phương pháp thưa biểu diễn tài liệu và truy vấn bằng các đặc trưng được thể hiện rõ ràng, chẳng hạn như số lượng từ hoặc các chỉ báo nhị phân.
Trong các hệ thống truy xuất thông tin quy mô lớn, hiệu quả và khả năng diễn giải là rất quan trọng. Các phương pháp thưa mang lại lợi thế về tính toán, đặc biệt là về tốc độ lập chỉ mục và truy xuất, vì chúng chỉ lưu trữ và xử lý các giá trị đặc trưng khác không. Điều này làm cho chúng có khả năng mở rộng cao đối với các tập dữ liệu khổng lồ, nơi việc khớp từ khóa chính xác hoặc tần suất từ là tối quan trọng.
Cơ chế cốt lõi liên quan đến việc ánh xạ văn bản vào không gian từ vựng. Mỗi tài liệu hoặc truy vấn được biểu diễn dưới dạng một vector mà các chiều tương ứng với các thuật ngữ trong từ vựng. Giá trị trong một chiều thường là tần suất (ví dụ: điểm TF-IDF) hoặc chỉ báo sự hiện diện nhị phân của thuật ngữ đó trong tài liệu. Sau đó, việc truy xuất được thực hiện bằng cách tính toán độ tương đồng, thường sử dụng các kỹ thuật như độ tương đồng cosine hoặc tích vô hướng, giữa vector truy vấn thưa và các vector tài liệu thưa.
Truy xuất thưa được sử dụng rộng rãi trong các công cụ tìm kiếm truyền thống để khớp từ khóa có độ chính xác cao. Nó cũng được sử dụng trong các kiến trúc tìm kiếm lai (hybrid search), nơi nó bổ sung cho các mô hình truy xuất dày đặc để nắm bắt cả sự trùng khớp từ ngữ chính xác và ý nghĩa ngữ nghĩa. Các ứng dụng bao gồm tìm kiếm sản phẩm thương mại điện tử, hệ thống quản lý tài liệu và truy vấn cơ sở tri thức.
Các lợi ích chính bao gồm hiệu quả tính toán cao trong quá trình lập chỉ mục và truy vấn, khả năng diễn giải tuyệt vời (bạn có thể truy vết kết quả truy xuất về các từ khóa khớp cụ thể) và tính mạnh mẽ khi xử lý các truy vấn rất cụ thể, chứa nhiều thuật ngữ chuyên ngành.
Một hạn chế lớn của các phương pháp thưa là khả năng không thể tự nhiên nắm bắt được sự tương đồng ngữ nghĩa. Nếu một truy vấn sử dụng các từ đồng nghĩa hoặc các khái niệm liên quan không được thể hiện rõ ràng trong từ vựng của tài liệu, truy xuất thưa có thể không tìm thấy kết quả liên quan, dẫn đến khả năng thu hồi thấp hơn so với các mô hình dày đặc.
Kỹ thuật này thường được đối chiếu với Truy xuất Dày đặc (Dense Retrieval), vốn sử dụng mạng nơ-ron để tạo ra các nhúng liên tục. Nó cũng có liên quan chặt chẽ đến các kỹ thuật như BM25, một thuật toán truy xuất thưa được tối ưu hóa cao.
