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。
「ANN 算法」找到 29 条内容
按专题浏览 →匹配正文：答案要点 embedding将文本映射到语义空间 相似性通过距离度量（余弦/欧氏）计算 ANN算法加速大规模检索 倒排索引或图索引优化查询效率 RAG中用于召回相关文档 核心原理 Embedding语义映射 文本通过预训练模型（如BGE、M3E、OpenAI的text-embedding）编码为固定维度的稠密向量 语义相近的文本在向量空间中距离更近，这是检索有效性的基础 相似性度量 余弦相似度：最常用，关注方向一致性，对向量长度不敏感 欧氏距离：关注绝对距离，适合归一化后的向…
匹配口述回答：…级，用户早跑了。而且算力成本也受不了，GPU 跑一次精排的消耗跟候选数成正比，业务很难承受。作为对比，召回阶段用哈希查找或者 [[ANN]] 检索，一次查询毫秒级就能从百万候选里捞出几百个；粗排阶段用轻量 [[双塔]]模型 或者简单特征，再过滤掉大部分，最后精排只处理几十个候选。这样整个链路才跑得动。 再说系统架构。这里有个漏斗效应，每个阶段过滤掉90%的候选，精排只处理可能优质的那一小撮。这样设计的好处是，各阶段可以独立迭代、独立做 A/B 测试，甚至降级熔断。比如召回挂了…
匹配口述回答：…个数据库好，而是要看场景做组合。 先说[[向量数据库]]和传统数据库的定位。向量库的核心是存 [[Embedding]]，用 [[ANN]] 算法比如 [[HNSW]] 或者 [[IVF]] 做近似检索，擅长找相似内容，比如用户问“退货政策”，它能召回语义相近的文档。但它不擅长精确匹配，比如查“订单号123”或者“价格大于100”这种，它搞不定。反过来，传统数据库像 MySQL、PostgreSQL 擅长精确查询、范围过滤、聚合统计，但做不了语义相似度。所以两者是互补关系，不…
学习内容与项目面试，在同一条路上。