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检索」找到 476 条内容
按专题浏览 →匹配正文：…司法解释→案例；医疗：指南→专家共识→文献） 知识图谱增强：实体关系抽取，支持推理型查询（如"某药物禁忌症涉及哪些疾病"） 2. 检索引擎层 多路召回：Dense（语义匹配）+ Sparse（BM25关键词）+ KG（图遍历） 领域适配：用领域语料微调Embedding模型（如医疗用PubMedBERT） 查询改写：识别专业术语同义词（如"心梗"↔"心肌梗死"），扩展缩写 3. 生成控制层 上下文组装：按相关性+时效性排序，控制token预算 引用生成：强制模型输出引用标记 …
匹配正文：…i,D) + k1·(1-b+b·|D|/avgdl)] 局限：词汇鸿沟、"苹果"歧义无法区分。 二、语义匹配：跨越词汇鸿沟 稠密向量检索（Dense Retrieval） 查询和文档分别编码为向量，用 ANN（近似最近邻） 快速检索 代表：DPR、Contriever，采用 双塔架构——编码器分离，可离线建索引，毫秒级响应 三、深度学习精排：BERT 及其变体 交互式架构（Cross-Encoder） 拼接 [CLS] Query [SEP] Doc [SEP] 输入 BE…
匹配正文：…表示层面：LLM作为增强编码器 核心思路：利用LLM的语义理解能力，将非结构化内容（商品标题、视频描述、用户评论）转化为高质量稠密向量。 物品侧：用LLM编码item文本，替代或补充传统ID embedding，缓解冷启动 用户侧：聚合用户历史行为的文本描述，生成动态用户画像向量 融合方式：LLM特征与ID特征双塔并行，后期拼接或门控融合 关键挑战：LLM特征维度高、推理慢，需蒸馏到轻量模型或离线预计算。 二、用户意图理解：从匹配到推理 传统推荐是"相关度匹配"，LLM可实现…
按学习路线查看教程、项目和面试题。