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。
「Embedding」找到 565 条内容
按专题浏览 →匹配正文：…设偏差 技术方案分层 1. 检索增强层（RAG+） 结构化知识优先：对接金融知识图谱（实体关系如"公司-财报-指标"），而非纯文本向量检索 多源检索融合：同时查询内部数据库、权威API（Wind/ Bloomberg）、监管文件库，按可信度加权 检索结果置信度：对检索空缺字段显式标注"该信息未在知识库中验证" 2. 生成约束层 约束解码（Constrained Decoding）：关键数字字段强制从检索结果中复制，非生成 Chain-of-Verification：先生成回答…
匹配正文：答案要点 领域知识结构化与非结构化数据的统一处理方案 多路召回策略（向量+关键词+知识图谱）的设计与融合 查询意图识别与改写机制 专业术语的Embedding适配与微调方案 答案生成的事实性校验与溯源机制 一、整体架构设计 用户查询 → 查询理解层 → 多路检索 → 重排序 → 上下文组装 → LLM生成 → 后校验 二、关键组件详解 1. 领域知识处理（最核心） 数据分层 结构化：药品库、疾病编码、法条条款 → 构建知识图谱（Neo4j/自研） 半结构化：病历模板、合同范本…
匹配正文：…更新需要处理双层索引（社区摘要层 + 原始文本层），比标准RAG复杂得多。核心策略分场景讨论： 一、新增文档场景 文本层：直接写入向量库，提取新实体关系并入图 图结构层：判断新实体/边是否影响现有社区划分 若影响局部社区 → 仅重算受影响社区的摘要 若产生跨社区连接 → 触发社区合并或分裂，重算相关社区 摘要层：采用增量聚类算法（如HAC的增量版本），避免全量重跑Leiden算法 二、文档修改/删除场景 建立倒排索引：记录文本块 → 实体/边的映射关系 修改时：定位受影响子图…
学习内容与项目面试，在同一条路上。