快讯

语义检索与匹配:为什么你搜“苹果”它却推来手机壳?

你在搜索框敲下几个字,系统返回的东西却像猜谜。这背后通常就是语义检索与匹配在干活。它不只看字面,还试着猜你想问什么。

语义检索与匹配向量空间模型示意图
语义检索与匹配向量空间模型示意图

它不只是找相同字

传统关键词匹配像查字典。你搜“番茄炒蛋”,它先看标题里有没有“番茄”“炒蛋”。缺一个词,可能就漏了。

语义检索与匹配更像搭桥。它把词和句子变成一串数字,也就是向量。含义相近的内容,向量距离通常更近。比如“手机没电了”和“充电宝推荐”,字面不重叠,场景能连上。

场景不止搜索框。站内商品搜索、客服知识库、图库找图、代码片段检索,都会用到。说实话,用户输入越随意,它越有用。

但它不是魔法。它依赖训练数据、索引结构和业务规则。数据脏,结果就飘。

效果不理想,通常卡在哪几处

从实操角度看,很多团队一上来就换模型。不过话说回来,问题可能不在模型。

  • 切词与归一化没做稳。大小写、全半角、同义词、错别字,都会干扰向量表达。比如“蓝牙耳机”和“蓝芽耳机”,用户不会在意,机器会。
  • 向量维度与召回规模不匹配。维度高,表达细,但检索成本也上去。需要根据延迟预算来权衡。
  • 只做语义,不做筛选。价格、库存、地域这些硬条件,仍然要靠过滤。否则会推出一堆“意思对但买不到”的结果。

我们通常可以先用混合策略:关键词召回保底,语义召回扩量,再加重排。这个做法不算新,但比较常见。

维护周期也要看业务。商品上下架频繁,索引更新就要勤。文档类内容变化慢,可以放宽。需要留意的是,评估不能只看准确率。要看 bad case 类型:没召回,排序错,还是硬条件漏了。

和关键词检索、推荐系统的边界

关键词检索擅长精确。搜型号、订单号、人名,它稳。语义检索与匹配擅长模糊意图和自然语言。搜“适合小个子的通勤牛仔裤”,它更能接住。

推荐系统又是另一回事。推荐偏“你可能喜欢”,搜索偏“你此刻在找”。两者会共用向量,但目标不同。

有意思的是,有些场景反而不适合强语义。比如法律条文、零件编号。过度扩展会带来误召回。这个可能因人而异,也因业务而异。

据一些用户反馈,在长尾 query 上,语义召回能把“搜不到”的挫败感降下来。但排序阶段如果没接好,也可能把不相关结果推到前面。所以,召回和排序要一起看。

从公开资料看,不少搜索团队会保留关键词通道。原因不复杂:可解释,可兜底,出了 bad case 好排查。

您在实际使用中还遇到过哪些情况?欢迎结合具体场景继续探讨。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:语义检索与匹配:为什么你搜“苹果”它却推来手机壳?
文章链接:https://www.ttrenwu.com/geo/4331.html