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。
「医疗」找到 89 条内容
按专题浏览 →匹配正文：核心原则 专业文档（医疗/法律）的核心特征是强结构、强引用、术语密集，切块需优先保证语义完整性和上下文可追溯性，而非简单按token切分。 常见策略对比 策略 做法 优点 缺点 适用场景 固定长度切块 按token/字符数硬切（长度需通过实验确定） 简单、批量处理快、embedding对齐 切断语义、丢失章节边界、表格被破坏 非结构化文本、快速原型 递归字符切块 按标点→句子→段落层级递进切分 保留基本可读性、实现简单 对复杂嵌套结构（法律条款层级）处理粗糙 通用文档、博客文…
匹配正文：…医学指南、药品说明书、判例库、法规条文、内部病历/卷宗（需脱敏） 智能分块： 按语义边界切分（章节、条款、病例段落），非固定长度 医疗：保留"症状-诊断-治疗"完整上下文块 法律：保持"事实-法条-判决"逻辑链 知识增强：提取实体关系构建领域知识图谱，作为检索补充 二、检索系统层（混合召回） 单一向量检索不够，需多路融合 检索方式 适用场景 实现 稠密向量检索 语义相似、同义表达 领域微调Embedding（如MedCPT、法律BERT） 稀疏关键词（BM25） 精确术语、药…
匹配正文：…构建知识图谱（Neo4j/自研） 半结构化：病历模板、合同范本 → 抽取标准化字段 非结构化：医学文献、判例文书 → 按语义切块（医疗按就诊流程切，法律按争议焦点切） 领域Embedding微调 用领域语料（PubMed/裁判文书）继续预训练BERT，或基于LLM构造对比学习数据 关键：术语对齐，如"心肌梗死"和"MI"需映射到同一向量 2. 检索策略：多路召回+精排 召回通道 适用场景 实现 稠密向量 语义相关、同义表达 微调后的Embedding+Faiss/Milvus…
学习内容与项目面试，在同一条路上。