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 模型」找到 520 条内容
按专题浏览 →匹配正文：…（Cross-encoder） 掌握查询改写/扩展技术（HyDE、多查询） 能结合业务场景说明选型依据 核心检索方法及选型 1. 向量检索（Dense Retrieval） 技术：Embedding模型（BGE、M3E、OpenAI-ada）+ 向量库（Milvus/Faiss） 场景：语义匹配、长文档理解、跨表述查询（如"苹果价格"→"iPhone多少钱"） 考量：对短查询效果差，需配合查询扩展 2. 稀疏检索（BM25/TF-IDF） 技术：Elasticsearch、L…
匹配正文：答案要点 文本预处理的关键步骤（清洗、分块、元数据保留） Embedding模型选型依据（领域适配、多语言、维度权衡） 向量索引算法选择（HNSW、IVF、PQ的适用场景） 存储方案设计（向量+标量混合存储、分片策略） 查询优化手段（查询重写、重排序、缓存策略） 1. 文本预处理 清洗：去HTML标签、特殊字符、统一编码，保留语义关键信息 分块策略：按语义段落切分（非固定长度），重叠窗口保证上下文连贯；高德场景可考虑POI名称、地址等结构化字段单独处理 元数据关联：保留原始I…
匹配正文：整体架构：双塔模型（DSSM） 推荐召回的核心是向量检索，主流方案是双塔结构：User塔和Item塔分别编码，点积计算相似度，线上通过ANN快速检索。 关键环节设计 1. 特征工程 塔 核心特征 设计要点 User塔 用户ID、画像标签、历史行为序列 行为序列用Pooling或Transformer压缩，避免长序列直接输入 Item塔 物品ID、类目、标签、文本/视觉内容 内容特征需预训练（如BERT、CLIP），保持与User塔维度一致 关键权衡：ID特征记忆性强但泛化差，…
学习内容与项目面试，在同一条路上。