完整题目
在构建检索系统时，为什么要采用混合检索（结合Sparse和Dense检索）？请分别说明Sparse检索和Dense检索的工作原理，并指出它们各自使用的相似度度量方法。
本文目录
为什么需要混合检索
单一检索方式都有明显短板：
- Sparse检索：擅长精确匹配关键词，但无法理解同义词、语义变体
- Dense检索：擅长语义理解，但对罕见词、专有名词容易失配
混合检索=精确性+语义泛化能力，是生产RAG系统的标配。
Sparse检索（稀疏检索）
原理：基于倒排索引的词频统计方法，典型代表BM25
BM25(q,d) = Σ IDF(q_i) · [f(q_i,d)·(k1+1)] / [f(q_i,d) + k1·(1-b+b·|d|/avgdl)]- 只关注查询词是否出现在文档中，向量极度稀疏（维度=词表大小）
- 相似度度量：BM25 score（基于TF-IDF的改进版）
特点：对高频词降权、对文档长度归一化，检索速度快
Dense检索（稠密检索）
原理：将查询和文档编码为低维稠密向量（通常768/1024维），通过向量空间中的距离衡量语义相关性
- 使用双塔模型（如BGE、GTE）分别编码query和doc
- 相似度度量：余弦相似度 或 点积（dot product）
score = cos_sim(E_query, E_doc) = (E_q · E_d) / (||E_q|| · ||E_d||)特点：能捕捉"苹果-水果"这类语义关联，但对字面匹配不敏感
典型融合策略
| 策略 | 做法 |
|---|---|
| 线性加权 | score = α·BM25 + (1-α)·cos_sim |
| RRF倒数排序融合 | 综合两者的排序位置，无需调权重 |
| 两阶段 | Dense召回Top-K → Sparse精排 |
实际中α通常取0.3-0.5，或用RRF更稳健。
学习建议
建议系统学习该知识点
换一种问法，检查是否真正理解
场景切入
假设你在做一个电商客服的检索系统，用户问“有没有红色的手机壳”，你用关键词搜到了，但当他问“适合女生的保护套”，关键词匹配就失灵了。你觉得怎么设计能让两种场景都覆盖好？
层层追问
你平时做检索一般用什么方式……如果只用BM25，遇到“苹果”和“水果”这种同义替换是不是就丢了？那你怎么补上语义理解……那如果只用向量检索，遇到罕见词比如“三羧酸循环”会不会搜不到？
直球架构
混合检索在RAG里几乎成标配了，你给我讲讲为什么需要混合？分别说一下Sparse检索和Dense检索的原理，还有各自用的相似度度量是什么？
练习口述回答 · 约4分钟
- 问题本质：单一检索都有短板，混合是取长补短
- Sparse检索：精确匹配、BM25原理与适用场景
- Dense检索：语义理解、余弦相似度与风险
- 混合策略：线性加权或RRF，以及落地注意点
- 收尾与可延伸点：倾向RRF，追问融合权重调优
这个问题其实是在问，为什么不能只靠关键词或只靠语义把检索搞定。我的理解是，单一方案都有明显的边界。[[Sparse Retrieval]]，比如[[BM25]]，它擅长精确匹配，你搜订单号、错误码、产品型号，它不会漏。但遇到同义词，比如用户说“退货”，文档里写的是“退款申请”，它就可能匹配不上。反过来，[[Dense Retrieval]]，也就是向量检索，能理解语义相关性，“苹果”和“水果”它能关联起来，但对罕见词、专有名词很敏感，训练时没见过的词，向量表达就很差，容易失配。所以真正落地，我一般不会只用一种，而是混合用，把精确性和泛化能力结合起来。
先说Sparse检索。它的核心是倒排索引加词频统计，BM25是典型代表。你搜一个词，它看这个词在文档里出现多少次，同时打压高频词，比如“的”、“是”，再对长文档做长度归一化。相似度就是BM25分数，直接算出来。它的特点是快，索引结构简单，适合做精确召回。比如在客服系统里，用户报一个订单号，你用BM25能秒级定位到那条记录，不会因为[[向量化]]丢信息。
再讲Dense检索。它是把查询和文档都编码成低维稠密向量，比如768维，然后用余弦相似度或点积算距离。相似度度量我常用余弦相似度，因为对向量长度不敏感，更关注方向。它能捕捉语义关联，比如用户搜“怎么退款”，它能召回“取消订单流程”这种语义近似的文档。但这里有个坑：如果文档里包含冷僻词，或者用户的query有拼写错误，向量检索的效果会明显下降。因为Embedding模型没见过这些词，表达会偏移。所以上线前我会特别关注词汇覆盖率，如果领域术语太偏，可能需要微调Embedding模型，否则召回质量会崩。
那混合起来怎么做？常见策略有两种。一种是线性加权，比如score = α * BM25分数 + (1-α) * 余弦相似度，α通常取0.3到0.5。另一种是RRF，也就是倒数排序融合，它不看分数绝对值，只看排序位置，把两路结果的位置倒数加起来，这样不用调权重，更稳健。我个人更倾向RRF，因为分数尺度不一样，BM25和余弦相似度直接加权容易出问题，RRF对异常值更鲁棒。
说到这，其实[[混合检索]]还有个前提：两路检索的候选集要能对齐，比如都召回同样的数量级，否则RRF会偏向召回多的那一路。这个细节在调优时特别关键，面试官如果追问，我可以展开讲怎么平衡两路的召回深度。
所以总结一下，我不会把Sparse和Dense对立起来，而是把它们看作互补的工具。Sparse保底，保证精确匹配不丢；Dense拓容，提升语义泛化。具体选哪种融合方式，要看业务对精度和召回率的要求。