Zum Inhalt springen

Agenten und Wissen

Hybride Suche

Hybride Suche führt zu einer Anfrage eine klassische Stichwortsuche, meist nach dem Verfahren BM25, und eine Vektorsuche nach Bedeutung gleichzeitig aus und verschmilzt beide Trefferlisten zu einer, häufig mit Reciprocal Rank Fusion.

Auch: Hybrid Search, Hybrid Retrieval, Reciprocal Rank Fusion, RRF, BM25

Ein Servicetechniker tippt „Fehler E-214 Brenner geht aus“ in die Suche des Wissensportals. Die Antwort steht an zwei Stellen: in einer Fehlercodetabelle, in der „E-214“ steht und sonst wenig, und in einem Kapitel über „Flammenabriss bei Gasgebläsebrennern“, in dem der Code nicht vorkommt. Eine Stichwortsuche findet die Tabelle, eine Suche nach Bedeutung findet das Kapitel. Hybride Suche lässt beide gleichzeitig laufen und legt die Ergebnisse zu einer Liste zusammen.

Warum die beiden Verfahren unterschiedliche Stärken haben, beschreibt der Eintrag zur semantischen Suche. Hier geht es um die Mechanik: was die Stichwortsuche eigentlich rechnet, warum man ihre Werte nicht einfach mit denen der Vektorsuche addieren kann und wie die Verschmelzung trotzdem gelingt.

Was BM25 rechnet

Die Stichwortseite der hybriden Suche ist meist BM25. Stephen Robertson, einer seiner Urheber, und Hugo Zaragoza führen es in ihrem Überblick von 2009 auf Arbeiten der 1970er- und 1980er-Jahre zurück. Drei Gedanken stecken darin, und alle drei sind intuitiv.

Seltene Wörter zählen mehr. Ein Wort, das in fast jedem Dokument steht, etwa „Anlage“ in einem Handbuchbestand, sagt wenig darüber aus, welches Dokument gemeint ist. Ein Fehlercode, der in drei Dokumenten vorkommt, sagt viel. Dieses Gewicht heißt inverse Dokumenthäufigkeit.

Wiederholung hilft, aber nicht unbegrenzt. Ein Dokument, in dem der Suchbegriff fünfmal vorkommt, ist wahrscheinlich relevanter als eines mit einer Erwähnung. Ab einem gewissen Punkt bringt jede weitere Wiederholung aber kaum noch etwas. Robertson und Zaragoza nennen das Sättigung. Sie verhindert, dass ein Dokument nach oben rutscht, nur weil es ein Wort ständig wiederholt.

Lange Dokumente werden ausgeglichen. Ein langes Dokument enthält jedes Wort mit höherer Wahrscheinlichkeit, ohne deshalb relevanter zu sein. BM25 rechnet die Länge im Verhältnis zur durchschnittlichen Länge heraus.

Wie stark Sättigung und Längenausgleich wirken, steuern zwei Parameter. Das Modell selbst gibt dafür keine Werte vor. Die Autoren berichten, dass sich in vielen Experimenten Werte in einem bestimmten Bereich bewährt haben, die besten Einstellungen aber von der Art der Dokumente und Anfragen abhängen. Suchdienste liefern brauchbare Voreinstellungen mit.

Für deutsche Texte kommt ein Punkt hinzu, der oft unterschätzt wird: BM25 zählt Wörter, und was ein Wort ist, bestimmt der Sprachanalysator vor der Suche. Ob „Dichtungen“ und „Dichtung“ als gleich gelten und ob „Gleitringdichtung“ auch bei einer Suche nach „Dichtung“ gefunden wird, hängt an ihm. Microsoft nennt für Azure AI Search das Zerlegen zusammengesetzter Wörter ausdrücklich als Fähigkeit seiner eigenen Analysatoren, unter anderem für Deutsch, und weist darauf hin, dass die Indexierung damit langsamer wird.

Warum man die Punktwerte nicht einfach addiert

Beide Suchen liefern zu jedem Treffer einen Wert. Naheliegend wäre, die Werte zu addieren und neu zu sortieren. Das funktioniert schlecht, weil die Werte auf völlig verschiedenen Skalen liegen. Microsoft gibt in seiner Dokumentation die Bereiche an: Der BM25-Wert hat keine Obergrenze, der Wert der Vektorsuche liegt bei Kosinus-Ähnlichkeit zwischen 0,333 und 1. Ein BM25-Wert von 12 und ein Ähnlichkeitswert von 0,82 lassen sich nicht sinnvoll vergleichen. Zudem schwankt der BM25-Wert je nach Anfrage und Bestand stark.

Man kann die Werte normalisieren und gewichtet addieren. Dann muss aber jemand die Gewichte festlegen und pflegen, und sie passen selten für alle Arten von Anfragen gleich gut.

Reciprocal Rank Fusion: Plätze statt Punkte

Cormack, Clarke und Büttcher haben 2009 ein einfacheres Verfahren veröffentlicht, das sich seither weit verbreitet hat. Reciprocal Rank Fusion ignoriert die Punktwerte vollständig und schaut nur auf die Platzierung. Jedes Dokument bekommt aus jeder Liste, in der es vorkommt, den Wert 1 geteilt durch die Summe aus seinem Platz und einer Konstanten k. Die Werte aus allen Listen werden addiert. Die Autoren haben k = 60 in einem Vorversuch festgelegt und festgestellt, dass der Wert nahe am Optimum lag, die genaue Wahl aber nicht entscheidend war. Microsoft und Elastic verwenden 60 als Voreinstellung.

Ein Rechenbeispiel mit angenommenen Platzierungen zeigt die Wirkung:

Dokument Platz Stichwortsuche Platz Vektorsuche Rechnung RRF-Wert
A 1 3 1/61 + 1/63 0,0323
C 2 2 1/62 + 1/62 0,0323
B nicht gefunden 1 1/61 0,0164

Wer in beiden Listen weit oben steht, gewinnt. Ein Dokument, das nur eine Suche findet, kann trotzdem oben landen, wenn die andere Liste dünn ist. Die Konstante dämpft dabei den Einfluss eines einzelnen ersten Platzes. Nach der Begründung von Cormack und Kollegen soll ein Ausreißer, den nur ein System ganz oben sieht, das Gesamtergebnis nicht dominieren, während auch tiefer platzierte Treffer noch etwas beitragen.

In ihren Versuchen mit Daten der TREC-Evaluationen schnitt RRF im Mittel besser ab als das jeweils beste Einzelsystem und als etablierte Fusionsverfahren. Elastic hebt in seiner Dokumentation hervor, dass RRF keine Abstimmung braucht und die einzelnen Relevanzwerte nicht zueinander passen müssen. Das ist der eigentliche Grund für die Verbreitung: Es funktioniert ohne Trainingsdaten und ohne Gewichte.

Was man trotzdem einstellen muss

Ganz ohne Entscheidungen geht es nicht.

Wie viele Treffer jede Seite liefert. Fusioniert werden nur Dokumente, die in mindestens einer Liste vorkommen. Liefert die Vektorsuche nur zehn Kandidaten, fehlen alle anderen in der Fusion. Microsoft beschreibt, dass die Textseite standardmäßig bis zu 1.000 Treffer berücksichtigt, die Vektorseite so viele, wie in der Anfrage angegeben.

Ob eine Seite mehr Gewicht bekommt. Einige Dienste erlauben, die Vektorsuche stärker oder schwächer zu gewichten. Bei Microsoft geschieht das über einen Multiplikator vor der Fusion. Das lohnt sich, wenn man weiß, dass in einem Bestand etwa exakte Codes besonders wichtig sind, und sollte an echten Anfragen geprüft werden.

Dieselben Filter auf beiden Seiten. Gültigkeitsdatum, Mandant und vor allem Zugriffsrechte müssen in beiden Suchen gleich angewendet werden. Sonst bringt eine Seite Dokumente in die Liste, die der Nutzer nicht sehen darf.

Was danach kommt. RRF ordnet nach Übereinstimmung zweier Listen, nicht nach tatsächlicher Passung zur Frage. Häufig folgt deshalb ein Reranking, das die besten Kandidaten noch einmal zusammen mit der Frage bewertet. Bei Microsoft geschieht das ausdrücklich erst nach der Fusion.

Wann sich hybride Suche lohnt

Für Systeme nach dem Muster Retrieval Augmented Generation ist sie in Unternehmen fast immer die bessere Ausgangslage als eine reine Vektorsuche, weil Geschäftsdokumente voller Artikelnummern, Normen, Namen und Abkürzungen sind. Der Mehraufwand ist überschaubar, denn viele Suchdienste und Datenbanken mit Vektorerweiterung bieten beides in einem Index an. Man pflegt dann einen Volltextindex und die Embeddings nebeneinander.

Ob die Kombination im eigenen Bestand tatsächlich besser findet, lässt sich messen. Ein Satz echter Anfragen mit bekannter richtiger Fundstelle, getrennt ausgewertet für Stichwortsuche, Vektorsuche und hybride Suche, zeigt in kurzer Zeit, was jede Seite beiträgt. Wie man solche Tests anlegt, beschreibt der Eintrag zur Evaluation von KI-Systemen. Gerade die Anfragen, bei denen nur eine Seite die richtige Stelle findet, sind dabei lehrreich: Sie zeigen, ob die Schwäche beim Sprachanalysator, beim Embedding-Modell oder in der Zerlegung der Dokumente liegt.

Quellen

  1. The Probabilistic Relevance Framework: BM25 and Beyond, Stephen Robertson und Hugo Zaragoza, Foundations and Trends in Information Retrieval, 2009
  2. Reciprocal Rank Fusion outperforms Condorcet and individual Rank Learning Methods, Cormack, Clarke und Büttcher, SIGIR 2009, ACM, 2009
  3. Hybrid Search Scoring (RRF), Microsoft Learn, Azure AI Search, 2026
  4. Reciprocal rank fusion, Elastic, Elasticsearch-Dokumentation
  5. Add language analyzers to string fields, Microsoft Learn, Azure AI Search

Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

Welcher Prozess kostet Ihr Team jeden Tag unnötig Zeit?

Bringen Sie einen konkreten Ablauf mit. In 45 Minuten klären wir, ob sich seine Automatisierung rechnet und was der nächste Schritt wäre.

Direkt mit einem Gründer · unverbindlich · ohne Verkaufsshow

Erst ein Prozess.
Dann der nächste.