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。
「Query Rewriting」找到 7 条内容
按专题浏览 →匹配正文：…迟可控 典型技术：Word2Vec/ fastText相似词、BM25+同义词表、T5生成扩展 2. 语义重写（Semantic Rewriting） 做法：用Seq2Seq或LLM直接改写Query，改变句式但保留意图 优势： 解决口语化、不完整Query（"那个红色的"→"红色连衣裙"） 消除歧义（"苹果"→根据上下文判定为手机/水果） 可融入领域知识（如电商属性规范化） 典型技术：T5/BART微调、LLM Prompt工程（"请将以下Query改写为适合检索的形式"）…
匹配正文：…接输入做交互注意力，相关性判断更准确 实践：先用向量检索召回100条，再用轻量重排模型筛Top5，平衡延迟与效果 3. 查询改写（Query Rewriting） 原理：原始查询可能表述模糊或与文档措辞不一致。通过LLM扩展同义表达、生成伪答案、或HyDE（假设文档嵌入）——让模型先写理想答案，再用答案向量去检索 典型场景：用户问"怎么省钱" → 改写为"降低成本的策略/方法/技巧" 其他补充手段 上下文压缩：检索长文档后，用LLM提取与查询相关的片段，减少噪声 元数据过滤：…
匹配正文：…mbedding模型训练目标（语义相似）与RAG业务目标（任务相关）存在错位。 解决策略（分层处理） 1. 查询侧优化 查询重写（Query Rewriting）：用LLM扩展/澄清用户意图，如"苹果→苹果公司/Apple Inc." HyDE（假设文档嵌入）：让模型先生成假设答案，再用答案去检索 2. 检索侧优化 多路召回：BM25 + 向量检索 + 关键词匹配，互补覆盖 重排序（Rerank）：用Cross-Encoder等交互式模型精排，捕捉细粒度相关性 负样本硬挖掘：…
学习内容与项目面试，在同一条路上。