搜索大模型内容

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。

共 119 条内容

按专题浏览 →当前分类：系列：检索清除分类条件

面试题检索· 美团

混合检索怎么提升 RAG 召回?

Sparse(BM25) vs Dense(向量检索)原理与相似度度量差异

#美团#混合检索#混合检索 Hybrid Retrieval

面试题检索· 字节

RAG Retriever 工作机制详解

输入输出、稀疏/稠密模型、向量数据库与索引结构

#字节#Retriever#RAG Retriever

面试题检索· 字节

Embedding 怎么实现语义召回?

RAG 中查询与文档向量化,余弦相似度计算及优化考量

#字节#向量语义召回#Embedding 语义召回

面试题检索· 美团

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

BM25 原理与 TF-IDF 改进点

词频饱和、长度归一化机制及核心公式参数详解

#美团#BM25#BM25 算法原理

面试题检索· 美团

混合检索为什么优于单一检索?

稀疏检索 vs 稠密检索:原理、相似度度量与适用场景对比

#美团#稀疏稠密检索#混合检索策略

面试题检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

RAG系统中三种检索方法原理对比,适用场景分析

#小红书#检索方法对比#BM25 向量检索混合检索

面试题检索· 哔哩哔哩

召回 vs 粗排怎么分工?

推荐系统两阶段定位、目标与协同设计

#哔哩哔哩#召回与粗排#召回与粗排区别

面试题检索· soul

召回阶段怎么选方法?

协同过滤、向量召回、图召回等对比,适用场景与优劣

#soul#多路召回#召回方法对比

面试题检索· 美团

BM25公式参数含义与TF-IDF对比

对比 TF-IDF 改进点,长度归一化与词频饱和度,在 RAG 中稀疏检索优势

#美团#BM25#BM25 算法原理

面试题检索· 阿里

RAG 召回又快又准靠什么?

检索效率、相关性提升与可扩展性策略详解

#阿里云#召回链路优化#RAG 召回优化

面试题检索· 阿里

RAG检索器与索引结构怎么选？

检索器、索引结构、查询重写三大方向技术详解

#阿里云#查询重写#RAG 召回优化

面试题检索· 字节

召回模型怎么搭建?

推荐系统召回流程:特征工程、负采样、向量索引构建

#Tiktok#负采样与向量索引#召回模型搭建

面试题检索· 美团

稀疏稠密与混合检索

稀疏/稠密检索原理、相似度与混合检索原因

#美团#稀疏稠密检索#稀疏稠密与混合检索

面试题检索· 美团

混合检索为什么用 Sparse+Dense?

Sparse 检索与 Dense 检索原理及相似度度量方法对比

#美团#Hybrid Retrieval#混合检索

面试题检索· 小红书

多路召回 vs 排序模型怎么分工?

推荐系统中召回与排序的流程、实现及优缺点

#小红书#多路召回与排序#多路召回

面试题检索· 字节

RAG 工作流怎么应对时效衰减?

向量检索库构建中信息时效性对召回的影响与优化策略

#字节#时间衰减检索#RAG 工作流程

面试题检索· 字节

RAG 向量库怎么处理时间衰减?

RAG 完整流程 + 向量检索库时效性优化策略

#字节#向量库时效性#RAG 工作流程

面试题检索· 字节

Embedding升级后向量对齐方案

知识库增量更新场景下新旧向量对齐的 3 种方案

#抖音#向量检索#Embedding 升级

面试题检索· 快手

LLM怎么融入推荐系统？特征提取与召回

特征提取、召回排序、用户意图理解三路径详解

#快手#LLM推荐系统#LLM 推荐系统

面试题检索· 快手

LLM怎么融入推荐系统？序列建模与排序

特征表示、序列建模、召回排序中的技术路径与挑战

#快手#LLM推荐架构#LLM 推荐系统

面试题检索· 京东

向量数据库选型关键因素有哪些？

RAG场景下性能、索引类型、可扩展性等关键因素

#京东#向量检索#向量数据库选型

面试题检索· 字节

RAG 向量检索怎么高效召回?

影响召回效果的关键因素:Embedding 质量、索引结构、查询改写

#字节#向量数据库召回#RAG 向量检索

面试题检索· 美团

BM25 公式与 TF-IDF 对比

BM25 公式、词频饱和、长度归一化与 TF-IDF 对比

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题检索· 字节

Embedding + 向量数据库怎么搭?

语义搜索中模型选型、向量化流程与检索机制详解

#字节#Embedding向量检索#Embedding 向量数据库