La recherche sémantique est une méthode de récupération qui associe les contenus selon leur sens plutôt que selon le recouvrement exact de leurs mots. Elle s’appuie sur des plongements vectoriels pour représenter les requêtes et les documents dans un espace commun, de sorte que des concepts similaires soient proches même lorsque leur formulation diffère.
Cette approche exige deux étapes. D’abord, un modèle convertit le texte en vecteurs denses qui capturent le contexte. Ensuite, une fonction de similarité classe les vecteurs stockés par rapport au vecteur de la requête. Cela remplace la représentation clairsemée en sac de mots utilisée par les anciens moteurs.
Comment fonctionne la recherche sémantique
Étape 1 : du texte aux vecteurs. Un modèle de plongement traite à la fois la requête entrante et chaque document stocké. Chaque phrase ou paragraphe devient un vecteur numérique de longueur fixe. La position du vecteur encode des relations apprises durant l’entraînement du modèle. Par exemple, les vecteurs de « notes de réunion » et de « synthèse de discussion » se retrouvent proches l’un de l’autre.
Étape 2 : calcul de similarité
La similarité cosinus mesure l’angle entre le vecteur de requête et celui de chaque document. Des valeurs proches de 1 indiquent un meilleur alignement. Le système renvoie d’abord les documents ayant les scores les plus élevés. Cette étape remplace les calculs de fréquence de termes de BM25.
Étape 3 : affinage des résultats
Certains systèmes ajoutent un reclassement ou un filtrage après le premier passage de similarité. Les filtres peuvent limiter les résultats à la collection privée d’un utilisateur ou aux fichiers modifiés dans une période donnée. L’association de la recherche par plongements et de filtres facultatifs produit la liste finale.
Une analogie simple aide à illustrer le déroulement. Imaginez chaque document comme un point sur une carte. La requête est un nouveau point. Le moteur trouve les voisins les plus proches selon la distance en ligne droite, plutôt que selon le partage du même nom de rue.
Des limites subsistent. Les plongements peuvent refléter les biais présents dans les données d’entraînement. Les requêtes très courtes ou très ambiguës restent moins précises que celles qui comportent davantage de contexte. Les systèmes actuels continuent d’améliorer ces cas limites.
Les chercheurs qui travaillent sur plusieurs articles utilisent la même technique pour regrouper les études par sujet plutôt que par mots-clés de titre. Une requête sur la « mise à l’échelle des transformeurs » peut faire remonter des travaux antérieurs sur les mécanismes d’attention sans devoir suivre manuellement les citations.
Les outils de connaissances personnelles appliquent la recherche sémantique au contenu capturé par l’utilisateur. Extraits web, transcriptions de réunions et fichiers locaux deviennent une collection unique consultable. Le système renvoie les éléments pertinents de travaux passés sans obliger l’utilisateur à se souvenir des noms de fichiers ou mots-clés exacts.
Q : Quels sont aujourd’hui les principaux défis de la recherche sémantique ?
R : Les requêtes courtes ou ambiguës réduisent encore la précision. Le jargon propre à un domaine exige parfois un ajustement supplémentaire du modèle de plongement. Les travaux en cours se concentrent sur ces conditions limites.