Cover of A Primer on Search Relevance, edition 2026.11.10, code ANXY-CR00 A Primer on Search Relevance ANXY-CR00 18 editions since Oct 2026 Rolling Edition 2026.11.10

Una introducción a la relevancia de búsqueda

Edición 2026.11.10 Ejemplos verificados el 19 de nov de 2026 132 de 132 ejemplos pasan Qué ha cambiado

Traducido con IA. Verificado por personas en inglés. Cómo hacemos los libros

Traducido del libro en inglés, edición 2026.11.10. Lee el original

Cómo los motores de búsqueda encuentran y ordenan los resultados, y cómo medir si un cambio ayuda: recuperación léxica, semántica e híbrida, reordenamiento con modelos aprendidos y LLM, y juicios de personas y LLM, sobre un catálogo de productos real.

Para quién es Para lectores que se manejan con soltura en Python, pandas y NumPy y que se inician en la búsqueda: un científico de datos o un ingeniero al que se le pide mejorar un cuadro de búsqueda, o construir un sistema de recuperación para una aplicación de LLM.

Empieza a leer
Historial de ediciones18 ediciones desde octubre de 2026Cada edición y lo que cambió
2026.10.12026.11.10
2026.11.10 · 19 de nov de 2026Corrección de prosa56 secciones modificadas

Contenido

11 capítulos, unos 6 horas 44 minutos de lectura, con 132 ejemplos.

  1. 1Búsqueda, de principio a fin

    Al terminar este capítulo podrás construir una canalización de búsqueda aproximada pero completa para un catálogo de productos, desde la consulta de un comprador hasta una lista ordenada de productos, y medir con un solo número si un cambio en esa canalización la mejora.

  2. 2Qué significa la relevancia

    Al terminar este capítulo podrás leer con espíritu crítico un conjunto de juicios de relevancia: explicar qué afirma cada calificación sobre un producto, averiguar de dónde provienen los juicios y dónde tienen huecos, y decidir cuánto confiar en una puntuación calculada a partir de ellos.

  3. 3Medir la búsqueda

    Al final de este capítulo podrás calcular desde cero las métricas estándar de ranking, compararlas con scikit-learn, elegir una antes de comparar rankers y decidir si la diferencia entre dos rankers en tus consultas de prueba está comprobada o podría deberse al azar.

  4. 4Juicios de personas y de LLM

    Al final de este capítulo podrás escribir pautas de juicio, medir qué tan de acuerdo están dos jueces con kappa y kappa ponderada, leer los errores de un juez LLM en una matriz de confusión y decidir dónde los juicios de un LLM pueden sustituir a los de personas y dónde no pueden.

  5. 5Recuperación léxica

    Al final de este capítulo podrás construir una búsqueda léxica desde cero: convertir el texto de los productos en términos, indexar los términos y puntuar los productos con TF-IDF y BM25, coincidiendo puntuación por puntuación con la biblioteca bm25s.

  6. 6Recuperación semántica

    Al final de este capítulo podrás construir una recuperación semántica para un catálogo a partir de embeddings almacenados: comparar vectores por similitud coseno, encontrar exactamente los productos más cercanos a una consulta con NumPy, cambiar a un índice aproximado cuando un catálogo crece demasiado para la búsqueda exacta y medir lo que el índice se pierde, y encontrar las consultas en las que los embeddings fallan.

  7. 7Recuperación híbrida

    Al final de este capítulo podrás combinar un ranking léxico y un ranking semántico en uno solo, ya sea sumando puntuaciones normalizadas o mediante fusión recíproca de rangos, ajustar cuánto cuenta cada ranking con las consultas de entrenamiento, y decidir con una prueba pareada sobre las consultas de prueba si la combinación supera al mejor de sus dos componentes.

  8. 8Comprender las consultas

    Al final de este capítulo podrás cambiar la consulta de un comprador antes de la recuperación: corregir su ortografía, escribir sus unidades de una sola forma, ampliarla con sinónimos, predecir su clase de producto, reescribirla con un modelo de lenguaje grande, buscar con un producto que el modelo imagina y convertir una consulta de seguimiento en una consulta independiente.

  9. 9Ranking

    Al final de este capítulo podrás describir cada producto que devuelve la recuperación con sus características, entrenar un modelo de aprendizaje para ordenar con lightgbm a partir de tus propios juicios, reordenar la parte superior de la lista con un cross-encoder o con un LLM, medir el sesgo posicional de un reordenador basado en LLM, fijar la profundidad de reordenamiento contando sus costes y destilar un reordenador lento en uno rápido.

  10. 10Recuperación para aplicaciones con LLM

    Al final de este capítulo podrás medir la recuperación que sustenta a un LLM que responde a partir de ella: puntuar una respuesta según los productos que cita, comprobar cada cita frente a lo que devolvió la recuperación, medir los productos que lee el LLM, elegir qué indexar como una unidad recuperable y leer las búsquedas de un agente a partir del registro de sus llamadas a herramientas.

  11. 11Pruebas de los cambios

    Al final de este capítulo podrás decidir si un cambio en la búsqueda debe pasar a producción: comparar los resultados de dos sistemas de ranking consulta por consulta, evitar que tus consultas de prueba favorezcan un cambio, calcular el tamaño de una prueba A/B y comparar dos sistemas de ranking mediante el entrelazado de sus resultados.

Cita esta sección

Formato

Cada formato cita el libro en inglés, que esta traducción sigue.

Cada formato nombra esta edición. Su enlace abre la edición actual, donde el encabezado de cada sección indica cuándo cambió su texto por última vez. Las fechas de acceso y de recuperación son el día en que lo abres.