---
title: "Hibrit arama nedir? BM25, vektörler ve RRF açıklandı"
description: "Hibrit arama, BM25 gibi anahtar kelime aramasını vektör aramasıyla birleştirir ve sıralamaları çoğu zaman RRF ile harmanlar. Nasıl çalışır, RAG'e neden yarar?"
url: https://broadrouter.com/tr/glossary/hybrid-search/
lang: tr
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/glossary/hybrid-search/) (güncelleme: 2026-11-16).

# Hibrit arama (hybrid search)

Güncellendi 2026-11-16

Hibrit arama, aynı sorgu üzerinde hem BM25 gibi bir anahtar kelime aramasını hem de embedding'ler üzerinde vektör aramasını çalıştıran, ardından iki sıralı listeyi genellikle reciprocal rank fusion (RRF) ya da normalize edilmiş skorların ağırlıklı toplamıyla tek listede birleştiren bir getirme (retrieval) yöntemidir.

Diğer adları: hibrit arama, hibrit getirme, karma arama, BM25 ve vektör arama, hybrid search, hybrid retrieval, reciprocal rank fusion, RRF

Anahtar kelime araması kelimelerin kendisini bulur. Vektör araması anlamı bulur. Hibrit arama ikisini birden çalıştırır ve sonuçları birleştirir.

## Nasıl çalışır

Sorgu aynı anda iki getiriciye (retriever) gider:

-   **Anahtar kelime**: ters indeks üzerinde [BM25](https://broadrouter.com/tr/glossary/bm25/). İsimlerde, kodlarda ve nadir terimlerde güçlüdür.
-   **Vektör**: bir [vektör veritabanındaki](https://broadrouter.com/tr/glossary/vector-database/) [embedding’ler](https://broadrouter.com/tr/glossary/embeddings/) üzerinde en yakın komşu araması. Farklı ifade edilmiş cümlelerde ve eş anlamlılarda güçlüdür.

İki skor farklı ölçeklerdedir; bu yüzden çoğu sistem sıraya ya da normalize edilmiş skora göre birleştirir.

Cormack, Clarke ve Büttcher’in (SIGIR 2009) **reciprocal rank fusion (RRF)** yöntemi, bir belgenin göründüğü her liste için bir terim ekleyip toplar. Elasticsearch döngüyü `score += 1.0 / (k + rank(result(q), d))` olarak belgeler; sıra sabiti `k` varsayılan olarak 60’tır. Belgelerinde “RRF requires no tuning.” (çeviri: RRF ayar gerektirmez.) deniyor.

k = 60 ile çözülmüş bir örnek:

| Belge | BM25 sırası | Vektör sırası | RRF skoru |
| --- | --- | --- | --- |
| A | 1 | 3 | 1/61 + 1/63 = 0,0323 |
| B | 2 | 1 | 1/62 + 1/61 = 0,0325 |
| C | bulunamadı | 2 | 1/62 = 0,0161 |

B kazanır, çünkü iki getirici de onu üst sıralara koyar.

Diğer yaygın yöntem **ağırlıklı füzyondur**. Weaviate’in v1.24’ten beri varsayılanı olan `relativeScoreFusion`, her aramanın skorlarını normalize eder ve ölçeklenmiş bir toplam olarak birleştirir. `alpha` ayarı ikisini ağırlıklandırır: 0 yalnızca anahtar kelime, 1 yalnızca vektör, 0,75 ise sunucu varsayılanıdır. Belgeler alpha’yı açıkça ayarlamanızı önerir: 0,75 varsayılanı yalnızca bir istek sunucuya alpha olmadan ulaştığında geçerlidir ve her istemci kütüphanesi bu değeri boş bırakmaz; dolayısıyla gerçek ağırlıklandırma farklı olabilir.

Füzyondan sonra birçok işlem hattı en üstteki sonuçlara bir [yeniden sıralayıcı (reranker)](https://broadrouter.com/tr/glossary/reranking/) ekler.

## Neden önemli

-   **Geri çağırma (recall).** Gerçek sorgular birebir terimlerle gevşek ifadeleri karıştırır. Tek bir getirici bunların bir kısmını kaçırır.
-   **Arapça.** Arapça yazım değişkendir (elif biçimleri, ta merbuta, harekeler); metin normalize edilmedikçe bu, birebir anahtar kelime eşleşmesini zorlaştırır. Vektör araması eklemek doğru parçaya ikinci bir yol açar. Bkz. [Arapça RAG araması](https://broadrouter.com/tr/blog/arabic-rag-search/) ve [arama için Arapça metin normalizasyonu](https://broadrouter.com/tr/blog/arabic-text-normalization-search/).
-   **Daha az token.** Daha iyi getirme, soru başına LLM’ye daha az parça gönderilmesi demektir.

## BroadNet Inference’ta

Hibrit arama sizin arama altyapınızda çalışır: Elasticsearch, OpenSearch, Weaviate veya benzeri. BroadNet embedding ya da rerank uç noktası sunmaz; bu yüzden embedding’leri başka bir sağlayıcıyla veya yerel bir modelle üretin. Birleştirilmiş en iyi parçaları Chat Completions API üzerinden [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/) veya [GLM 5.3](https://broadrouter.com/tr/models/glm-5.3/) gibi bir BroadNet sohbet modeline gönderin. Küçük belge koleksiyonlarında, belgeleri uzun bir bağlama koymakla karşılaştırın; bkz. [uzun bağlam mı RAG mi](https://broadrouter.com/tr/blog/long-context-vs-rag/).

## Sık sorulan sorular

### Neden yalnızca vektör araması kullanmıyoruz?

Embedding'ler anlamı eşleştirir ama ürün kodları, isimler ve hata mesajları gibi birebir dizeleri kaçırabilir. Anahtar kelime araması bunları yakalar. İkisini birleştirmek her iki sorgu türünü de kapsar.

### RRF'yi ayarlamam gerekir mi?

Genellikle pek gerekmez. Elasticsearch belgeleri RRF'nin ayar gerektirmediğini ve birleştirdiği sonuç kümelerinin karşılaştırılabilir alaka skorlarına sahip olması gerekmediğini söylüyor. Sıra sabitinin varsayılan değeri 60'tır.

### Weaviate'te alpha ne anlama gelir?

Vektör sonuçlarını anahtar kelime sonuçlarına göre ağırlıklandırır. Weaviate belgelerine göre alpha 0 yalnızca anahtar kelime araması, alpha 1 yalnızca vektör aramasıdır; sunucu varsayılanı 0,75'tir.

## Ayrıca bakın

-   [BM25](https://broadrouter.com/tr/glossary/bm25/) (terim)
-   [Embedding (gömme vektörü)](https://broadrouter.com/tr/glossary/embeddings/) (terim)
-   [Vektör veritabanı (vector database)](https://broadrouter.com/tr/glossary/vector-database/) (terim)
-   [Yeniden sıralama (reranking)](https://broadrouter.com/tr/glossary/reranking/) (terim)
-   [RAG (erişimle artırılmış üretim)](https://broadrouter.com/tr/glossary/rag/) (terim)
-   [Parçalama (chunking, RAG)](https://broadrouter.com/tr/glossary/chunking/) (terim)
-   [LlamaIndex'i OpenAILike ile BroadNet Inference'ta kullanın](https://broadrouter.com/tr/guides/llamaindex-openailike/) (rehber)
-   [Arapça RAG: işe yarayan normalleştirme, parçalama ve erişim](https://broadrouter.com/tr/blog/arabic-rag-search/) (yazı)
-   [Uzun bağlam mı RAG mı: 1M token vektör veritabanının yerini alır mı?](https://broadrouter.com/tr/blog/long-context-vs-rag/) (yazı)
-   [Arama ve RAG için Arapça metin normalleştirme: neyi değiştirmeli?](https://broadrouter.com/tr/blog/arabic-text-normalization-search/) (yazı)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

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

**Kaynaklar**

-   [Cormack, Clarke ve Büttcher, Reciprocal rank fusion outperforms Condorcet and individual rank learning methods, SIGIR 2009 (kontrol tarihi 2026-11-15)](http://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf)
-   [Elasticsearch belgeleri, reciprocal rank fusion (kontrol tarihi 2026-11-16)](https://www.elastic.co/docs/reference/elasticsearch/rest-apis/reciprocal-rank-fusion)
-   [Weaviate belgeleri, hibrit arama kavramları (alpha ve füzyon yöntemleri) (kontrol tarihi 2026-11-16)](https://docs.weaviate.io/weaviate/concepts/search/hybrid-search)
