向量检索怎么保准又保真?

30 秒回答

1. Embedding模型选型与微调
2. 多路召回与混合检索策略
3. 重排序（Rerank）机制
4. 查询理解与改写

回答与解析

答案要点

• Embedding模型选型与微调
• 多路召回与混合检索策略
• 重排序（Rerank）机制
• 查询理解与改写
• 检索结果评估与迭代优化

1. Embedding层优化

• 模型选型：根据领域特点选择模型（通用场景用BGE/M3E，垂直领域用微调模型）
• 领域适配：用业务数据对Embedding模型做对比学习微调，缩小语义鸿沟
• 动态更新：商品/内容Embedding随属性变化及时刷新，避免语义漂移

2. 多路召回策略

• 各路召回结果融合时，用加权或机器学习模型做初选

3. 重排序（Rerank）精排

• 粗排：向量相似度Top-K快速筛选
• 精排：Cross-Encoder交互式模型（如BGE-Reranker）计算查询-文档相关性分数
• 业务规则：结合点击率、转化率、时效性等业务特征最终排序

4. 查询侧优化

• 查询改写：扩写同义词、纠错、补全意图（"火锅"→"重庆火锅/老北京涮肉"）
• 查询理解：识别地理位置、价格区间等约束条件，做前置过滤

5. 评估与迭代

• 离线：Recall@K、MRR、NDCG指标监控
• 在线：AB实验看点击率、转化率、满意度
• Badcase分析：建立标注平台，持续回流数据优化模型

口语版讲法(约4分钟)

• 本质是平衡语义理解与精确匹配
• 混合检索：向量+关键词，各有适用场景
• 重排序：从粗到精，用交互模型修正
• 查询改写：让用户输入更匹配索引
• 落地风险：数据分布、延迟、评估闭环

这道题问的是怎么让向量检索系统既准又相关，其实本质是在解决一个矛盾：用户想要的到底是语义上的相似，还是字面上的精确匹配。这两个东西有时候是冲突的，你要做的是在不同场景下找到平衡点，而不是追求单一指标的最优。

具体来说，我一般从几个层面去考虑。先说最基础的 Embedding 层。模型选型很重要，通用场景用 BGE 或者 M3E 这类通用模型就够了，但如果是垂直领域，比如电商客服场景里用户问‘退款多久到账’，通用模型可能把‘退款’和‘退货’混在一起，这时候就得用业务数据做对比学习微调，缩小语义鸿沟。不过这里有个前提：你的标注数据质量得过关，不然微调反而会带偏。

再一个就是召回策略。我倾向于走 混合检索，就是向量召回和 BM25 关键词召回一起上。向量召回擅长理解意图，比如用户说‘想找个便宜点的火锅店’，它能找到语义相似的店；但用户如果明确说‘海底捞’，关键词召回就能保证精确命中。这两条路各有适用场景，落地上我一般会加权融合，权重根据业务数据调。比如在订单检索场景里，用户输入‘2024年3月15号的订单’，关键词匹配订单号或者日期就比语义相似重要得多，我会把关键词召回权重调高。

有了候选集之后，下一步是重排序。粗排阶段用向量相似度快速筛出 Top-K，精排阶段再用 Cross-Encoder 这种交互式模型去算 query 和每个文档的相关性分数。这个步骤很关键，因为 Bi-Encoder 的向量相似度有时候会漏掉一些细微的匹配，比如‘苹果手机’和‘iPhone’在向量空间里可能很近，但‘苹果’和‘水果’也可能很近，Cross-Encoder 能更好地做区分。不过它的计算成本高，所以只能用在精排阶段，对候选集大小有限制，一般几百条以内。

还有一个容易被忽略的点是查询侧优化。用户输入的 query 往往很随意，比如‘火锅’可能想找‘重庆火锅’或者‘老北京涮肉’，这时候做查询改写，扩写同义词、纠错、补全意图，就能显著提升召回率。另外，如果 query 里带有结构化约束，比如‘附近’、‘100块以内’，我会在查询理解阶段把它抽出来做前置过滤，而不是全扔给向量检索。

说到查询改写，这里面其实有个坑：如果改写太激进，比如把‘手机’扩写成‘智能手机、移动电话、手持设备’，反而可能引入噪声，拉低精度。所以我会先做意图分类，对模糊 query 才做改写，对精确 query 尽量保持原样。这个度怎么把握，其实是挺值得细聊的。

最后，整个系统上线后一定要有评估和迭代的闭环。离线指标我会看 Recall@K 和 NDCG，在线通过 AB 实验看点击率和转化率。更重要的是建立 Badcase 分析机制，比如用户搜‘充电宝’返回了‘充电器’，这种案例回流回来，可能发现是 Embedding 模型没区分好，或者重排序模型没学到这个模式，然后针对性优化。

所以整体上，我更倾向于把向量检索系统看作一个组合工程，而不是单个模型的比拼。混合检索搭骨架，重排序做精调，查询改写做入口优化，再加上持续的评估迭代，这样才能在真实业务里跑得稳。

关键一句:查询改写时激进扩写会引入噪声，需要先做意图分类，对模糊query改写，精确query保持原样。

面试官还可能这样问

1. 问法 1 · 场景切入

   假设你在做电商搜索，用户搜“红色连衣裙”，向量召回出来一堆语义相关的，但有些根本不是红色，有些是短裙。你怎么保证返回的结果既准确又相关？

2. 问法 2 · 层层追问

   向量检索怎么让结果更准？……除了调模型，还有什么办法？……召回后怎么保证排序符合用户意图？

3. 问法 3 · 直球架构

   在一个向量检索系统中，有哪些关键技术和策略能提升检索结果的准确性和相关性？从模型、召回、排序到查询优化，你整体怎么设计？