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

Uma Introdução à Relevância de Busca

Edição 2026.11.10 Exemplos aprovados em 19 de nov de 2026 132 de 132 exemplos passam O que mudou

Traduzido com IA. Verificado por pessoas em inglês. Como fazemos os livros

Traduzido do livro em inglês, edição 2026.11.10. Leia o original

Como os mecanismos de busca encontram e ordenam resultados, e como medir se uma mudança traz melhora: recuperação lexical, semântica e híbrida, reordenação com modelos aprendidos e LLMs, e avaliações feitas por pessoas e por LLMs, em um catálogo real de produtos.

Para quem é {"markdown": "Para leitores à vontade com Python, pandas e NumPy que são novos em busca: um cientista de dados ou engenheiro encarregado de melhorar uma caixa de busca, ou a construir mecanismos de recuperação para uma aplicação de LLM."}

Comece a ler
Histórico de edições18 edições desde outubro de 2026Cada edição e o que ela mudou
2026.10.12026.11.10
2026.11.10 · 19 de nov de 2026Correção de texto56 seções alterado(s)

Sumário

11 capítulos, cerca de 7 horas 53 minutos de leitura, com 132 exemplos.

  1. 1Busca, de ponta a ponta

    Ao final deste capítulo, você será capaz de montar um pipeline de busca aproximado, mas completo, para um catálogo de produtos, que vai da consulta de um cliente até uma lista ordenada de produtos, e de medir com um único número se uma mudança nesse pipeline ajuda.

  2. 2O que relevância significa

    Ao final deste capítulo, você será capaz de ler um conjunto de julgamentos de relevância de forma crítica: dizer o que cada nota afirma sobre um produto, descobrir de onde vieram os julgamentos e onde eles têm lacunas, e decidir o quanto confiar em uma pontuação calculada a partir deles.

  3. 3Medindo a busca

    Ao final deste capítulo, você será capaz de calcular do zero as métricas padrão de ranqueamento, verificá-las com o scikit-learn, escolher uma delas antes de comparar rankers, e dizer se a diferença entre dois rankers nas suas consultas de teste está estabelecida ou pode ser fruto do acaso.

  4. 4Julgamentos de pessoas e de LLMs

    Ao final deste capítulo, você saberá escrever diretrizes de julgamento, medir a concordância entre dois juízes com kappa e kappa ponderado, ler os erros de um juiz LLM em uma matriz de confusão e decidir onde os julgamentos de LLMs podem substituir os de pessoas e onde não podem.

  5. 5Recuperação lexical

    Ao final deste capítulo, você será capaz de construir uma busca lexical do zero: transformar o texto dos produtos em termos, indexar os termos e pontuar os produtos com TF-IDF e BM25, obtendo a mesma pontuação da biblioteca bm25s em cada caso.

  6. 6Recuperação semântica

    Ao final deste capítulo, você será capaz de construir a recuperação semântica para um catálogo a partir de embeddings armazenados: comparar vetores por similaridade de cosseno, encontrar exatamente os produtos mais próximos de uma consulta com NumPy, trocar para um índice aproximado quando um catálogo ultrapassar a busca exata e medir o que o índice deixa de encontrar, e identificar as consultas em que os embeddings falham.

  7. 7Recuperação híbrida

    Ao final deste capítulo, você será capaz de combinar um ranking lexical e um semântico em um só, seja somando scores normalizados, seja por fusão de rank recíproco (reciprocal rank fusion), ajustar quanto cada ranking conta nas consultas de treino e decidir, com um teste pareado nas consultas de teste, se a combinação supera o melhor dos seus dois insumos.

  8. 8Compreendendo consultas

    Ao final deste capítulo, você será capaz de alterar a consulta de um comprador antes da recuperação: corrigir sua grafia, escrever suas unidades de um único modo, expandi-la com sinônimos, prever sua classe de produto, reescrevê-la com um modelo de linguagem grande, buscar com um produto que esse modelo imagina e transformar uma consulta de acompanhamento em uma consulta independente.

  9. 9Ranqueamento

    Ao final deste capítulo, você consegue descrever cada produto que a recuperação retorna com seus atributos (features), treinar um modelo de learning-to-rank com LightGBM a partir dos seus próprios julgamentos, reordenar o topo da lista com um cross-encoder ou com um LLM, medir o viés posicional de um reranqueador baseado em LLM, definir a profundidade da reordenação contando os seus custos e destilar um reranqueador lento em um rápido.

  10. 10Recuperação para aplicações de LLM

    Ao final deste capítulo, você será capaz de medir a recuperação por trás de um LLM que responde a partir dela: avaliar uma resposta pelos produtos que ela cita, verificar cada citação em relação ao que a recuperação devolveu, medir os produtos que o LLM lê, escolher o que indexar como uma unidade recuperável e ler as buscas de um agente a partir do registro de suas chamadas de ferramenta.

  11. 11Testando mudanças

    Ao final deste capítulo, você poderá decidir se uma mudança na busca deve ser lançada: comparar, consulta por consulta, os resultados de dois ranqueadores; manter as suas consultas de teste sem que elas favoreçam uma mudança; dimensionar um teste A/B; e comparar dois ranqueadores por meio do intercalamento dos seus resultados.

Citar esta seção

Formato

Cada formato cita o livro em inglês, que esta tradução acompanha.

Todos os formatos citam esta edição. Seu link abre a edição atual, em que o título de cada seção indica quando seu texto foi alterado pela última vez. As datas de acesso e de recuperação são o dia em que você abre esta página.