---
title: "Qu’est-ce que la recherche hybride ? BM25, vecteurs et RRF"
description: "La recherche hybride combine recherche par mots-clés comme BM25 et recherche vectorielle, puis fusionne les classements, souvent via RRF. Intérêt pour le RAG."
url: https://broadrouter.com/fr/glossary/hybrid-search/
lang: fr
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/hybrid-search/) (mis à jour le 2026-11-16).

# Recherche hybride (hybrid search)

Mis à jour 2026-11-16

La recherche hybride est une méthode de récupération qui exécute, sur la même requête, une recherche par mots-clés comme BM25 et une recherche vectorielle sur des embeddings, puis fusionne les deux listes classées en une seule, souvent par reciprocal rank fusion (RRF) ou par somme pondérée de scores normalisés.

Aussi appelé : recherche hybride, récupération hybride, fusion de classements, hybrid search, hybrid retrieval, reciprocal rank fusion, RRF

La recherche par mots-clés trouve les mots exacts. La recherche vectorielle trouve le sens. La recherche hybride exécute les deux et fusionne les résultats.

## Comment ça marche

La requête part vers deux retrievers en même temps :

-   **Mots-clés** : [BM25](https://broadrouter.com/fr/glossary/bm25/) sur un index inversé. Efficace sur les noms, les codes et les termes rares.
-   **Vecteurs** : plus proches voisins parmi des [embeddings](https://broadrouter.com/fr/glossary/embeddings/) stockés dans une [base de données vectorielle](https://broadrouter.com/fr/glossary/vector-database/). Efficace sur les paraphrases et les synonymes.

Les deux scores ne sont pas sur la même échelle : la plupart des systèmes fusionnent donc par rang ou par score normalisé.

La **reciprocal rank fusion (RRF)**, de Cormack, Clarke et Büttcher (SIGIR 2009), additionne un terme pour chaque liste où apparaît un document. Elasticsearch documente la boucle sous la forme `score += 1.0 / (k + rank(result(q), d))`, avec une constante de rang `k` qui vaut 60 par défaut. Sa documentation indique : « RRF requires no tuning. » (traduction : « RRF ne demande aucun réglage. »)

Un exemple chiffré avec k = 60 :

| Document | Rang BM25 | Rang vectoriel | Score RRF |
| --- | --- | --- | --- |
| A | 1 | 3 | 1/61 + 1/63 = 0,0323 |
| B | 2 | 1 | 1/62 + 1/61 = 0,0325 |
| C | non trouvé | 2 | 1/62 = 0,0161 |

B l’emporte parce que les deux retrievers le classent haut.

La **fusion pondérée** est l’autre méthode courante. La méthode par défaut de Weaviate depuis la v1.24, `relativeScoreFusion`, normalise les scores de chaque recherche et les combine en une somme pondérée. Son paramètre `alpha` règle le poids des deux : 0 correspond aux mots-clés seuls, 1 aux vecteurs seuls, et 0,75 est la valeur par défaut du serveur. La documentation recommande de définir alpha explicitement : la valeur par défaut de 0,75 ne s’applique que lorsqu’une requête arrive au serveur sans alpha, et toutes les bibliothèques clientes ne le laissent pas non défini, si bien que la pondération réelle peut différer.

Après la fusion, beaucoup de pipelines ajoutent un [reranker](https://broadrouter.com/fr/glossary/reranking/) sur les meilleurs résultats.

## Pourquoi c’est important

-   **Rappel.** Les vraies requêtes mélangent termes exacts et formulations approximatives. Un seul retriever en rate une partie.
-   **Arabe.** L’orthographe arabe varie (formes de l’alif, ta marbuta, diacritiques), ce qui nuit à la correspondance exacte par mots-clés tant que le texte n’est pas normalisé. Ajouter la recherche vectorielle ouvre un second chemin vers le bon chunk. Voir [la recherche RAG en arabe](https://broadrouter.com/fr/blog/arabic-rag-search/) et [la normalisation du texte arabe pour la recherche](https://broadrouter.com/fr/blog/arabic-text-normalization-search/).
-   **Moins de tokens.** Une meilleure récupération signifie moins de chunks envoyés au LLM par question.

## Sur BroadNet Inference

La recherche hybride s’exécute dans votre pile de recherche : Elasticsearch, OpenSearch, Weaviate ou équivalent. BroadNet ne propose pas d’endpoints d’embeddings ou de reranking : produisez donc vos embeddings avec un autre fournisseur ou un modèle local. Envoyez les meilleurs chunks fusionnés à un modèle de chat de BroadNet comme [Qwen3.8 27B](https://broadrouter.com/fr/models/qwen3.8-27b/) ou [GLM 5.3](https://broadrouter.com/fr/models/glm-5.3/) via la Chat Completions API. Pour les petits corpus, comparez avec le fait de placer les documents dans un long contexte ; voir [contexte long ou RAG](https://broadrouter.com/fr/blog/long-context-vs-rag/).

## Questions fréquentes

### Pourquoi ne pas se contenter de la recherche vectorielle ?

Les embeddings capturent le sens mais peuvent rater des chaînes exactes comme des codes produits, des noms ou des messages d’erreur. La recherche par mots-clés les trouve. Les combiner couvre les deux types de requêtes.

### Faut-il régler RRF ?

En général, très peu. D’après la documentation d’Elasticsearch, RRF ne demande aucun réglage et les ensembles de résultats qu’il combine n’ont pas besoin de scores de pertinence comparables. Sa constante de rang vaut 60 par défaut.

### Que signifie alpha dans Weaviate ?

Il pondère les résultats vectoriels par rapport aux résultats par mots-clés. D’après la documentation de Weaviate, alpha 0 correspond à la recherche par mots-clés seule, alpha 1 à la recherche vectorielle seule, et la valeur par défaut du serveur est 0,75.

## Voir aussi

-   [BM25](https://broadrouter.com/fr/glossary/bm25/) (terme)
-   [Embeddings (plongements vectoriels)](https://broadrouter.com/fr/glossary/embeddings/) (terme)
-   [Base de données vectorielle (vector database)](https://broadrouter.com/fr/glossary/vector-database/) (terme)
-   [Reranking (reclassement)](https://broadrouter.com/fr/glossary/reranking/) (terme)
-   [RAG (génération augmentée par récupération)](https://broadrouter.com/fr/glossary/rag/) (terme)
-   [Chunking (découpage pour le RAG)](https://broadrouter.com/fr/glossary/chunking/) (terme)
-   [Utiliser LlamaIndex avec BroadNet Inference via OpenAILike](https://broadrouter.com/fr/guides/llamaindex-openailike/) (guide)
-   [RAG en arabe : normalisation, chunking et recherche qui fonctionnent](https://broadrouter.com/fr/blog/arabic-rag-search/) (article)
-   [Contexte long ou RAG : quand 1M de tokens remplace la base vectorielle](https://broadrouter.com/fr/blog/long-context-vs-rag/) (article)
-   [Normaliser le texte arabe pour la recherche et le RAG : quoi changer](https://broadrouter.com/fr/blog/arabic-text-normalization-search/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-hybrid-search&utm_content=page-cta) ·

**Sources**

-   [Cormack, Clarke et Büttcher, Reciprocal rank fusion outperforms Condorcet and individual rank learning methods, SIGIR 2009 (vérifié le 2026-11-15)](http://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf)
-   [Documentation d’Elasticsearch, reciprocal rank fusion (vérifié le 2026-11-16)](https://www.elastic.co/docs/reference/elasticsearch/rest-apis/reciprocal-rank-fusion)
-   [Documentation de Weaviate, concepts de la recherche hybride (alpha et méthodes de fusion) (vérifié le 2026-11-16)](https://docs.weaviate.io/weaviate/concepts/search/hybrid-search)
