我们刚刚学习了向量检索现在来深入理解语义检索。 关键词检索存在一个核心短板如果文档中不存在和你输入完全一致的关键词检索就会匹配失败。 举个例子文档里写的是 “报销reimbursement”但你搜索 “津贴allowance” 时关键词检索只会机械查找单词 allowance 本身 如果用户搜索 “居家办公work from home”但文档里只用了 “家庭办公工位home office”关键词检索也完全找不到相关内容。 这类同义替换的关键词组合不会在文档中匹配到字面字符对应的文档就会被直接漏掉。 拿我们之前的示例代码举例假如你搜 “办公桌desk”但文档里只写了 “家具furniture”关键词检索算出来的相似度分数会全部为 0找不到任何匹配文档。 这就是关键词检索的局限性而语义检索恰好能解决这个问题。 语义检索会基于文字内在含义检索文档因此更有机会根据用户输入找到真正相关的内容这也是我们接下来要重点讲解的内容。 那么语义检索到底是什么你可以把它理解成能读懂语义而非只识别文字本身的检索方式。 当你搜索 “津贴” 时语义检索可以找出所有和津贴、报销或是语义相近概念相关的文档哪怕文档里根本没出现 allowance 这个精确单词。 同理无论你搜 “家庭办公工位” 还是 “居家办公”它都能匹配到所有和远程工作相关的文档。 实现这种效果的核心技术叫做嵌入向量embeddings。 我们会把用户的查询语句、全部文档文本统一转换成数学向量你可以将这些向量想象成高维空间里的坐标点。 语义相近的文档在这个高维空间里对应的坐标点距离会非常近。 因此执行检索时系统会根据语义距离寻找最相近的内容不再只看文字是否重合。 我们可以通过计算两个文本向量之间的距离衡量两段文字的语义相似度向量距离越近代表两段文字表达的含义越接近。 所以即便 reimbursement报销和 allowance津贴是两个完全不同的单词它们对应的向量坐标也会挨在一起能够被检索匹配到。语义检索完整梳理对比关键词检索 核心原理拆解一、关键词检索的致命缺陷字面匹配不懂含义核心逻辑只做字符串精准匹配只认完全一样的文字无法理解词语、句子背后的语义关系。典型失效场景同义词 / 近义词不匹配文档报销 (reimbursement)搜索津贴 (allowance) 关键词检索找不到两个词字面完全不同无重合字符。同义不同表述不匹配文档家庭办公工位 (home office)搜索居家办公 (work from home) 用词不一样关键词检索判定无关。上下位概念不匹配文档家具 (furniture)搜索办公桌 (desk) 没有相同关键词相似度直接为 0完全漏检。总结痛点只要没有完全相同的字符哪怕语义高度相关都会检索失败。二、语义检索基于含义匹配突破字面限制定义不依赖文字表层字符理解文本内在语义进行检索的技术。优势举例搜「津贴」能召回含报销、补贴、补助等相关内容的文档搜「居家办公」不管文档写 home office、远程办公、居家工位全部匹配上位词、下位词、近义词、不同句式描述均可识别关联。三、核心底层技术嵌入向量 Embedding工作流程统一向量化使用预训练语言模型把查询语句、全部文档全部转换成固定维度的数字向量高维空间坐标。语义决定空间距离高维向量空间规则 语义越相近的两段文本 → 向量坐标距离越近 语义完全无关 → 向量距离很远。检索逻辑替换关键词检索比对字符串是否重合 语义检索计算向量间距离返回距离最近的 Top-N 文档。案例解释reimbursement(报销)和allowance(津贴)拼写、单词完全不同但语义高度相关 经过 Embedding 编码后二者向量在高维空间距离很近检索时会被识别为相似内容成功召回。四、两者核心对比表表格维度关键词检索语义检索向量检索匹配依据文字字面、关键词重合度文本深层语义含义近义词处理完全失效漏检自动识别正常召回不同句式同义描述无法匹配精准关联概念上下位关系相似度为 0存在相似度可检索底层计算字符匹配、词频统计TF-IDF 等文本 Embedding 向量距离计算余弦相似度等五、一句话总结关键词检索 “认字不认意”极易丢失高相关文档 语义检索依靠 Embedding 将文本转为语义向量用空间距离衡量含义相似度实现 “认意不认字”解决同义、近义、多表述场景下的检索漏检问题。
