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。
「Cross-Encoder重排」找到 149 条内容
按专题浏览 →匹配口述回答：…所以我会把BM25看作关键词检索的一个成熟基线，尤其在冷启动或者小样本场景下比纯向量检索靠谱。但真要上线，我更倾向混合检索加 [[Rerank]]，先用BM25和向量召回来个粗排，再用 [[Cross-Encoder]] 精排，这样精度和召回都能兼顾。 一句话定位：BM25解决词频和长度问题 公式拆解：饱和函数和长度归一化 对比TF-IDF的改进点 业务场景：客服退款文档检索 落地风险与混合检索 可延伸点：b参数对短文档的影响 约4分钟 b参数对短文档友好度的影响及调优方法 …
匹配口述回答：…别密集，IVF 的聚类效果会变差，边缘点容易被漏掉。这时我会考虑用分层聚类，或者结合 [[Bi-Encoder]] 做粗排加 [[Cross-Encoder]] 做精排的 [[Rerank]] 流程。 还有一个大家容易忽略的点，就是删除操作。向量索引的删除如果处理不好，召回质量会崩。我一般不做原地删除，而是用软删除加异步重建，或者用双缓冲影子索引，保证查询时不会读到脏数据。 所以我的做法是，先根据业务场景定优先级：延迟优先就 HNSW，内存优先就 IVF 加乘积量化，然后在这…
…arch]]。召回之后还要粗排加精排，先用 [[IVF]] 快速筛出一个候选集，比如 Top-200，然后用精确距离计算或者 [[Cross-Encoder]] [[重排]]到 Top-10。这一步很关键，能有效提升最终结果的相关性。另外，查询扩展也是个好手段，比如用HyDE先生成假设文档再检索，但它可能偏题，是否更准应做消融并计入额外延迟与成本。 模型和计算层面，我重点做两件事。一个是 [[Embedding]] 量化，裸向量每维FP32、FP16、INT8分别是4、2、1…
学习内容与项目面试，在同一条路上。