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：…索引结构层面 HNSW图索引：平衡召回率与查询速度，适合中等规模；超大规模时采用IVF-PQ或ScaNN降低内存占用 量化压缩：裸向量每维FP32/FP16/INT8为4/2/1字节，PQ码长由子向量数和每码位宽决定；总索引另计结构，质量变化必须实测，不固定4–8倍。 磁盘索引：FAISS的IndexIVFPQ + ondisk模式，牺牲部分延迟换取容量 工程架构层面 分片（Sharding）+ 路由层，支持水平扩展 预过滤（metadata filter）减少候选集，避免全…
匹配正文：一、检索器选择：多路召回 稠密检索（Dense） 基于Embedding：DPR、Contriever，适合语义匹配 优势：跨表述理解；劣势：对罕见实体、精确匹配弱 稀疏检索（Sparse） BM25、TF-IDF、SPLADE，适合关键词精确匹配 优势：零样本、可解释；劣势：语义鸿沟 实践策略：双路召回 + 线性加权或Learned Fusion（如RRF倒数排序融合） 二、索引结构优化 方法 核心思想 适用场景 HNSW 图索引，贪心导航 百万级，高召回要求 IVF 聚类…
匹配正文：稀疏检索（Sparse Retrieval） 原理：基于词项空间的高维稀疏向量，经典代表是 BM25 和 TF-IDF。 维度 = 词表大小（通常 10万+），向量极度稀疏（大部分为0） 相似度度量：词袋匹配 + 词频加权，BM25 公式核心衡量词项与文档的相关性 优势：精确匹配能力强、可解释性好、无需训练、对关键词敏感 稠密检索（Dense Retrieval） 原理：通过编码器（如BERT、双塔模型）将文本压缩为低维稠密向量。 维度通常 256-1024，向量稠密 相似度…
学习内容与项目面试，在同一条路上。