索引 / 标签
#信息检索
共 8 篇
- Ch13 RAG
Bi-Encoder (双塔模型/双编码器)
概述 Bi-Encoder (双编码器) 是一种双塔架构的神经网络模型，核心思想是将两个输入 (如 Query 和 Document、User 和 Item) 分别通过独立的编码器编码为向量表
约 3 分钟892 字 - Ch13 RAG
BM25 (Best Match 25)
一句话理解 信息检索的经典算法,TF-IDF的升级版,2026年仍是混合检索(RAG)的关键组件——用概率模型评估文档与查询的相关性,引入词频饱和和文档长度归一化。 核心公式与直觉 BM25公
约 3 分钟1,002 字 - Ch13 RAG
概念-ColBERT
一句话理解 ColBERT（Contextualized Late Interaction over BERT）是一种延迟交互检索模型，它的核心思想是：不对 query 和 document
约 4 分钟1,272 字 - Ch13 RAG
Cross-Encoder (交叉编码器)
概述 Cross-Encoder（交叉编码器）是一种将查询（Query）和文档（Document）同时输入同一个编码器进行联合编码的架构。与 Bi-Encoder 不同，Cross-Encod
约 3 分钟919 字 - Ch13 RAG
概念-CrossEncoder
一句话理解 Cross-Encoder（交叉编码器）是同时输入 query 和 document、通过 Transformer 的全注意力机制进行深度交互、输出一个相关性分数的模型。它是检索系
约 3 分钟1,040 字 - Ch13 RAG
HyDE (Hypothetical Document Embeddings)
概述 HyDE (Hypothetical Document Embeddings) 是 2022 年由 Gao 等人提出的一种检索增强生成 (RAG) 技术，被认为是 RAG 领域最具影响力
约 4 分钟1,377 字 - Ch13 RAG
RAG (Retrieval-Augmented Generation)
概述 RAG（Retrieval-Augmented Generation，检索增强生成）是一种将信息检索与文本生成相结合的 AI 技术架构。在 RAG 中，LLM 在生成回答之前，先从外部知
约 3 分钟943 字 - Ch13 RAG
相似度计算 (Similarity Metrics)
相似度计算（Similarity Metrics）是机器学习和信息检索中的基础工具，用于量化两个向量、集合或分布之间的相似程度或距离。在向量检索、聚类、推荐系统和 RAG 等应用中，相似度度量的选择直接影响结果质量。不同的度量方法基于不同的数学假设，适用于不同的数据分布和应用场景
约 4 分钟1,123 字