页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Rerank模型」找到 322 条内容
按专题浏览 →匹配正文：…（离线） 文档分块：按语义/固定长度切分，控制chunk大小（通常256-512 tokens） Embedding编码：用预训练模型（如BGE、M3E、OpenAI-ada）将文本映射为稠密向量 关键：领域数据建议微调Embedding模型，解决分布偏移 2. 向量索引构建 存储：向量数据库（Milvus、Faiss、Pinecone）或近似最近邻索引（HNSW、IVF） HNSW：图索引，查询快、精度高，适合动态更新场景 3. 查询检索（在线） 查询向量化：同一Embed…
匹配正文：…长度对得分的影响。b=0 表示不做这部分归一化，b 增大并不等于对所有长文档固定扣同样分数。 概率检索框架：BM25 从概率相关性模型演化而来；TF-IDF 也有多种归一化变体，因此只能与所选基础实现对比，不能笼统说所有 TF-IDF 都完全不处理长度。 参数与验证 k1、b、分词、停用词、字段权重和 IDF 变体共同影响结果。典型默认值只用于起点，最终应在目标语料和标注查询上以 MRR、NDCG、Recall@K 与业务结果调参。 在 RAG 中的作用 BM25 擅长术语、…
匹配正文：…检索：理解"适合聚会的餐厅"→ 抓取"包厢、多人套餐"等语义特征 融合策略：两阶段检索（稠密召回Top-K + 稀疏补充 + 统一Rerank），或线性加权融合分数 关键经验：稠密检索的增益在头部热门query最明显，长尾query仍需稀疏兜底。 学习建议 建议先掌握向量空间模型与词袋模型基础，再学习BM25和Sentence-BERT等典型算法，通过动手实现简单检索系统加深理解。
学习内容与项目面试，在同一条路上。