Skip to main content

Búsqueda Densa vs. Búsqueda por Palabras Clave

Comparación de dos enfoques de búsqueda: recuperación semántica basada en redes neuronales (Dense Retrieval) y búsqueda clásica por coincidencia de palabras (Sparse / BM25). Explica por qué la búsqueda vectorial puede fallar en la búsqueda de artículos y cómo funciona la búsqueda híbrida.

1. Visión general del concepto y problema sistémico

Cuando en 2023 aparecieron las bases de datos vectoriales, muchos entusiastas proclamaron: “¡La búsqueda de texto tradicional ha muerto! ¡Ahora todo se buscará solo a través de vectores de redes neuronales!”.

Sin embargo, cuando las empresas comenzaron a implementar la búsqueda vectorial pura en tiendas en línea o en almacenes, surgieron problemas:

  • Un cliente introduce el código exacto de una pieza: A211-540-00-44 ➔ ¡la búsqueda vectorial devuelve piezas similares con otros números!
  • Un abogado busca el número de caso № 752/1234/25 ➔ ¡la búsqueda vectorial muestra decisiones judiciales completamente diferentes con palabras similares!

Resultó que cada método tiene sus superpoderes y sus zonas ciegas:

  • Dense (Búsqueda Vectorial): insuperable para entender ideas, preguntas abstractas y sinónimos.
  • Sparse / Keyword (BM25): indispensable para buscar artículos exactos, códigos, números de pasaporte y apellidos raros.

2. Taxonomía arquitectónica y modelo mental

┌─────────────────────────────────────────────────────────────┐
│                 ¿QUIÉN ENCUENTRA MEJOR LA RESPUESTA?       │
├──────────────────────────────┬──────────────────────────────┤
│ 🔍 Consulta del usuario:      │ 🏆 ¿Quién gana y por qué?     │
├──────────────────────────────┼──────────────────────────────┤
│ “Coche familiar barato”       │ 🟢 DENSE (Búsqueda Vectorial):│
│                              │ Entenderá el contenido y      │
│                              │ encontrará monovolúmenes       │
├──────────────────────────────┼──────────────────────────────┤
│ “Filtro de aceite OC-90”     │ 🔵 BM25 (Búsqueda por Palabras):│
│                              │ Encontrará instantáneamente el  │
│                              │ índice exacto sin inventar otros│
│                              │ detalles relacionados           │
├──────────────────────────────┼──────────────────────────────┤
│ “Cómo bajar la fiebre de noche”│ 🟢 DENSE (Búsqueda Vectorial):│
│                              │ Encontrará paracetamol y       │
│                              │ medicamentos antipiréticos      │
├──────────────────────────────┼──────────────────────────────┤
│ “Artículo 115 parte 2 del C.P.”│ 🔵 BM25 (Búsqueda por Palabras):│
│                              │ Encontrará exactamente este artículo,│
│                              │ no reflexiones generales sobre el crimen│
└──────────────────────────────┴──────────────────────────────┘

3. Pipeline técnico y mecánica interna

Hoy en día, ningún arquitecto profesional elige uno solo. El enfoque híbrido se ha convertido en el estándar de la industria:

                  ┌────────────────────────┐
                  │   Consulta del usuario  │
                  └───────────┬────────────┘
                              │
              ┌───────────────┴───────────────┐
              ▼                               ▼
     [Búsqueda Vectorial Dense]         [Búsqueda Clásica BM25]
     (Búsqueda por Sentido)              (Búsqueda por Artículos)
              │                               │
              └───────────────┬───────────────┘
                              ▼
               ┌─────────────────────────────┐
               │    Fusión de Listas (RRF)   │
               │   Mejores Hallazgos Comunes  │
               └─────────────────────────────┘

4. Escenarios prácticos de ingeniería en producción

Si estás construyendo una búsqueda para una tienda en línea o un catálogo de documentación:

  • ¡No descartes la búsqueda por palabras clave!
  • Utiliza bases de datos que soporten nativamente la búsqueda híbrida (por ejemplo, Qdrant o PostgreSQL combinando pgvector y tsvector). Esto garantiza que tus usuarios encuentren productos tanto por la descripción "hermosa vestido rojo" como por el artículo exacto SKU-881!

01. Búsqueda en un Catálogo de Productos

02. Implementación en un Sistema de Gestión de Documentos

03. Optimización de Búsqueda en un E-commerce

/ Preguntas frecuentesSchema.org FAQPage

FAQ: Búsqueda Densa vs. Búsqueda por Palabras Clave

La búsqueda vectorial busca el sentido general. Para ella, los artículos 'SKU-99214' y 'SKU-99215' son casi idénticos en coordenadas (son solo conjuntos abstractos de números de la misma clase). Si un usuario busca un detalle exacto por código o el nombre de un medicamento por serie, la búsqueda clásica por coincidencia exacta de letras (BM25) lo hará 100 veces mejor.
/ Enlaces internos

Términos relacionados

Todos los términos
Prompts y RAG

Búsqueda Semántica (Búsqueda por Contenido, No por Letras)

Tecnología de búsqueda de información basada en el contenido conceptual de la consulta, no en la coincidencia exacta de letras o palabras clave. Comprende sinónimos, parafraseos, errores ortográficos y preguntas abstractas en lenguaje natural.

Leer término
Prompts y RAG

Bases de Datos Vectoriales (Vector DBs & Búsqueda ANN)

Sistemas de gestión de bases de datos especializados y extensiones (Qdrant, pgvector, Milvus, Chroma, Turso), optimizados para almacenar millones de vectores multidimensionales y realizar búsquedas aproximadas de vecinos más cercanos (Approximate Nearest Neighbors) de manera ultrarrápida.

Leer término
Prompts y RAG

Embeddings Simplificados (Cómo el Texto se Convierte en Números)

Tecnología fundamental que transforma palabras, oraciones o imágenes en listas multidimensionales de números (vectores). Permite a los ordenadores medir matemáticamente la proximidad semántica entre diferentes ideas y conceptos.

Leer término