Embedding 的作用、性质与应用场景
答案要点
- 把离散或高维对象映射为固定维度稠密向量,用距离度量语义相似度
- 核心性质:语义相近则向量距离近,支持近似最近邻检索
- RAG:文档切块编码入向量库,按问题向量检索相关片段作为上下文
- 语义搜索:召回同义和跨语言表达,常与 BM25 混合检索
- 推荐:双塔模型分别编码用户与物品,用于召回和相似推荐
易错点
- 查询和文档用不同 Embedding 模型编码
- 以为向量相似就等于答案相关,忽略重排
- 切块过大或过小,导致语义稀释或丢失上下文
面试官常见追问
- 余弦相似度和内积怎么选?
- 通用 Embedding 在垂直领域效果差怎么办?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。