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 选型」找到 178 条内容
按专题浏览 →匹配正文:…定 元数据增强:注入{文档类型、时效性、权威等级}等标签,支持后续过滤 二、索引构建:混合召回架构 双塔索引设计: 索引类型 技术选型 适用场景 稠密向量 BGE-M3/E5领域微调 语义相似、同义词泛化 稀疏向量 BM25 + 领域词表扩展 专业术语精确匹配 图索引 知识图谱(医疗UMLS/法律法条引用) 跨文档逻辑关联 关键优化:向量模型用领域语料做MLM+对比学习二次预训练 三、检索策略:多路召回+精排 召回层:向量Top-K + BM25 Top-K + 图谱邻居扩展…
匹配正文:为何需要重排 初检的局限性 向量检索(双塔模型)追求效率,用点积/余弦快速近似,牺牲语义精细度 多路召回(BM25+向量+关键词)结果混杂,缺乏统一相关性度量 存在"伪相关":向量相似≠真实答案相关 解耦设计的好处 召回阶段:广撒网,保召回率,毫秒级响应 重排阶段:精筛,保准确率,接受百毫秒级延迟 重排的核心作用 作用 说明 语义精排 用交互式模型捕捉query与doc的细粒度匹配 多路融合 统一打分不同来源的候选(向量/BM25/图谱) 业务过滤 加入时效性、权威性、用户偏…
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。