- 综合排序
- 最热优先
- 最新优先
- 来自专栏Java 学习
【全文检索_10】Filebeat 基本使用
：['.gz$'] 排除以 gz 结尾的文件 harvester_buffer_size 每个harvester的缓存大小,默认是16384 max_bytes 单个日志消息可以发送的最大字节，默认是10MB
2.3K10发布于 2021-03-02 批量关键词检索：使用腾讯云ADP搭建智能信息检索智能体
腾讯云智能体开发平台（TencentCloudADP）构建的批量关键词检索智能体是新一代智能信息检索解决方案。 }策略制定要求：1.为每个关键词选择最适合的3-5个数据源2.确定检索深度（检索结果数量：10-100条）3.设置时间范围（实时/近期/历史）4.制定质量筛选标准5.预估检索时间和资源消耗输出格式：关键词 核心配置：并行检索配置:-最大并发数：50个关键词同时检索-单源限流：每秒最多10个请求-超时设置：单次检索30秒超时-重试机制：失败后自动重试3次数据源管理:-API密钥轮换使用-请求频率智能控制-异常检测和自动切换 }%-数据源分布：{source_distribution}-质量评分：{quality_score}/10优质结果示例：1.标题：{title}来源：{source}相关性：{relevance}/10 质量评分：{quality}/10第6步：智能评估与输出功能说明：对检索结果进行多维度智能评估，生成结构化报告和可视化图表。
23710编辑于 2026-03-24- 来自专栏Python与算法之美
10分钟入门faiss相似向量检索
，有python接口，对10亿量级的索引可以做到毫秒级检索的性能。 使用faiss 搭配合适的model和embedding函数，可以帮助我们 构建 人脸识别，相似图片检索，LLM知识库问答，推荐系统召回模块 等应用。 faiss的主要原理是构建base vectors向量数据的index索引，然后利用索引对search vectors 实现 TopK 相似向量检索。 1，Flat：暴力精确检索，全局最优，适合数十万级。 2，IVF100,Flat：倒排暴力检索(100聚类后暴力检索)，非全局最优但召回高，适合数百万级。 3, HNSW64: 图网络检索，Hierarchical NSW(Navigable Small World)，每个节点64条边，检索复杂度log(logn)，适合千万上亿规模以及更大规模的图索引，缺点是构建索引过程较慢
5.1K30编辑于 2023-09-05 - 来自专栏muller的测试分享
人工智能|RAG 检索增强生成
它能够通过检索大规模文档集合来提供准确的答案，无需针对每个问题进行特定训练。 智能助手和虚拟代理（Intelligent Assistants and Virtual Agents）：RAG 可以用于构建智能助手或虚拟代理，结合聊天记录回答用户的问题、提供信息和执行任务，无需进行特定任务微调 信息检索（Information Retrieval）：RAG 可以改进信息检索系统，使其更准确深刻。用户可以提出更具体的查询，不再局限于关键词匹配。 让其变的易检索。这个预处理的过程，就使用了向量数据库以及embedding。 相关资料RAG 官方文档说明总结理解什么是 RAG 检索增强。理解 RAG 检索增强应用场景。了解 RAG 检索增强有哪些相关的使用方法。
70310编辑于 2024-07-24 - 来自专栏Python
LightRAG：图增强检索框架，索引速度提升10倍
开篇你的RAG系统能回答"人工智能的发展趋势"这类宏观问题吗？传统向量检索在面对复杂查询时往往力不从心。 香港大学团队开源的LightRAG提供了新思路：用知识图谱双层索引重构检索架构，在保持轻量化的同时，让索引速度比GraphRAG快10倍。 四种查询模式模式适用场景检索方式naive简单事实查询纯向量检索local实体相关问题低层图遍历global宏观趋势分析高层图社区检索hybrid复杂综合查询多路召回+Rerank系统会根据问题特征自动切换模式 客服智能问答产品说明书+FAQ+工单历史联合检索，实现低延迟（小于2秒）实时响应。 API返回完整上下文，便于调试优化支持自定义评估指标（RAGAS框架）六、性能表现基于多个公开数据集的测试结果：指标LightRAGGraphRAG索引速度基准10倍基准1倍查询延迟小于2秒8-15秒准确率提升
92510编辑于 2025-12-03 - 来自专栏在码圈
win10检索神器-Everything，让你电脑搜索速度提升进10倍！
检索神器 Everything "Everything" 是 Windows 上免费文件名搜索引擎 下载地址 https://www.voidtools.com/zh-cn/ 作用 在我们日常办公中， 想要准确查找或者定位的一个文件，如果利用win10本身的检索系统，查起来那真是简直了，耗时耗力。 Everything，可以很好的帮我们提高这个办公效率。 对比 一、win10自身检索查询 12秒 二、Everything检索查询 0.5秒
1.5K20发布于 2020-07-21 腾讯云数据万象智能检索服务概要
一、 产品定位与核心亮点 数据万象-多模态智能检索 是腾讯云提供的一项基于人工智能的数据处理与检索服务。其核心技术属性为结合对象存储（COS）的一站式数据处理智能平台。 核心商业差异化卖点在于其自研的特征提取服务及检索引擎，专门针对中文电商场景优化，实现跨模态的智能检索。 二、产品应用场景 受众：互联网行业客户，特别是电商平台、视频平台。 产品优势 特征提取精准：采用智能抠图技术，先抠取有效图像主体再提取特征，提升特征库准确性。 检索方式灵活多样： 支持文本搜索和以图搜图。 提供搜前分类提示功能，提升文本搜索效率。 解决方案：使用数据万象的智能检索服务，包括特征库构建和跨模态检索。 成效： 海量数据高效分析：能快速、精准地从数十亿文件中查询指定条件的文件。 智能相册：可根据媒体文件的拍摄时间、地点、人物等信息构建智能相册。 文件管理：提升数据管理和分析效率，挖掘数据价值。
6300编辑于 2026-05-31- 来自专栏数据挖掘
向量相似度检索在智能驾驶领域的应用
行业内智能驾驶技术发展到一定阶段既会存在数据挖掘的挖掘的需求，尤其针对边缘case的挖掘，如何利用互联网技术实现智能驾驶场景的挖掘是我刚入智能驾驶行业遇见的首要问题。 背景智能驾驶领域的数据挖掘大致可分为两种：面向感知领域的静态场景挖掘，例如：路面反光场景、眩光场景、镜头脏污场景、异型车、隧道场景、树荫遮挡场景、带草砖路面场景、高架场景等。 本文借用基于向量相似度检索技术实现以图搜图、以文搜图等技术，并赋能智能驾驶场景挖掘，这对静态稀有场景的挖掘至关重要。 实践证明以图搜图技术较适合图片中大粒度特征的数据挖掘，例如‘带草砖的车位’、‘树荫挖掘’等，针对地锁、锥桶等小目标采用相似度检索技术仍是业界难题，针对小目标的挖掘较适合用YOLO系列的模型，或者使用clip
30910编辑于 2025-06-06 VFP AI 插件开发花絮10：知识库检索
知识库检索 m.loJSON = m.loObj.VectorSearch([VFP是什么？], 2) ? 输出结果： todo： 除了知识库检索，可以将其扩展为真正的 AnythingLLM Manager，用于程序化的完全控制 AnythingLLM 。 例如：聊天、使用其内置的智能体完成如 Web Search 等工作。
14310编辑于 2026-04-02- 来自专栏产品笔记
RAG智能问答系统为什么要使用混合检索？
检索增强生成简称RAG（Retrieval-augmented Generation），RAG为大语言模型安装了知识外挂，基础大语言模型不用训练，通过RAG技术与大语言模型结合在回答问题的时候，可以通过企业内部的知识库检索相关和最新的信息来生成内容 01 — 为什么要用混合检索？ 在RAG智能问答系统中，RAG检索环节中的检索的方式采用向量检索，即通过语义相关度匹配的方式进行检索。 在文本搜索场景，首先需要确保最相关的结果能够出现在检索的结果中。向量检索和关键词检索各有优势，而引入混合检索结合了两种搜索技术的优点，并且弥补了各自的缺点。 02 — 什么是混合检索？ 混合检索是结合了两种或者多种搜索算法提高搜索结果相关性的搜索技术。而在RAG系统中，混合搜索最常见指向量检索和关键词检索的组合。 不同的检索系统在寻找文本中各自擅长之间存在不同的联系，没有任何一种检索模式能够适用全部的情景，混合检索通过多个不同的检索系统组合，结合不同检索系统的优势，实现多个检索技术直接的互补。
84510编辑于 2024-03-06 - 来自专栏啦啦啦啦前端
信息检索格式 布尔检索式
信息检索格式 布尔检索式 名称 符号 表达式 功能 逻辑与 * 或and AB 同时含 有提问词A和B的文献，为命中文献 逻辑或 + 或or A+B 凡是含有提问词A或B的文献，为命中文献 逻辑非
1.6K40编辑于 2023-02-11 - 来自专栏大数据杂货铺
全文检索、向量检索和混合检索的比较分析
全文检索 全文搜索是指将部分或全部文本查询与数据库中存储的文档进行匹配。与传统的数据库查询相比，全文搜索即使在部分匹配的情况下也能提供结果。 矢量搜索 矢量搜索是人工智能驱动的搜索方法。它不是查找与文本查询匹配的文档，而是允许查找具有相似语义的文档。这是通过建立大型语言模型（LLM） 提供的文本语义理解来实现的。 它建立在全文搜索的可访问性、即输入即搜索体验的基础上，并集成了人工智能搜索支持的增强发现功能。 Elasticsearch 用户越来越多地使用不同类型信息的搜索检索 — BM25 用于文本，向量搜索用于密集向量。 混合搜索将全文搜索的可访问性与人工智能实现的改进发现相结合。 混合搜索是现代搜索方法，将最先进的搜索功能统一到单个 API 后面。
6.5K10编辑于 2024-04-24 - 来自专栏信数据得永生
Python 智能项目：6~10
可以通过将next方法应用于迭代器对象来检索批量。 我们将在每个周期开始时调用生成器函数，以便在每个周期中批量都是随机的。 基于检索的模型和生成模型都具有各自的优缺点。 由于基于检索的模型从一组固定的答案中进行回答，因此它们无法处理看不见的问题或没有适当预定义响应的请求。 生成模型要复杂得多。 状态和奖励将由环境呈现给智能体，而智能体将通过采取适当的行动对智能体采取行动。 这些状态采用从汽车前面的摄像头拍摄的图像的形式。 因此，每个字符可以是26字母和10数字中的任何一个。 这要求 CNN 的最终输出层预测与26字母和10数字有关的36类之一。
94720编辑于 2023-04-23 - 来自专栏AI研思录
颠覆传统检索：RAPTOR检索树提升检索准确率20%！
然而，现有的检索增强方只能检索几个简短的、连续的文本块，这对于需要整合文本多个部分的知识的问题是不够的，限制了它们表示和利用大规模语义结构的能力。 这篇文章提出了一种新颖的方法——检索树，即考虑了广泛的主题理解，也考虑了细粒度的细节信息。 在推理时，使用RAPTOR模型从这棵树中进行检索，在不同抽象层次上整合信息，以跨越较长文档进行理解。 采用递归聚类和汇总技术，RAPTOR创建了一个分层树结构，能够跨检索语料库的各个部分综合信息。在查询阶段，RAPTOR 利用此树结构进行更有效的检索。 实验表明，使用递归总结的检索方法在多个任务上相较于传统的检索增强语言模型提供了显著的改进。在涉及复杂、多步骤推理的问题解答任务中，展示了最优的结果。
90410编辑于 2025-02-20 - 来自专栏ATYUN订阅号
人工智能平台Jane为企业提供高效信息检索
这就是前Answers.com首席执行官David Karandish创立了Jane.ai的原因，这是一个可以从云存储提供商，团队等索引数据的人工智能平台。 Jane是一个直观，智能的AI，可以让员工即时访问他们需要的信息，以便完成他们的工作。“ Jane.ai服务分为两部分。
93020发布于 2018-07-27 - 来自专栏TechLead
深入探索智能问答：从检索到生成的技术之旅
在本文中，我们深入探讨了自然语言处理中的智能问答系统，从其发展历程、主要类型到不同的技术实现。文章详细解析了从基于检索、对话到基于生成的问答系统，展示了其工作原理和具体实现。 一、智能问答概述 智能问答 (Intelligent Question Answering, IQA) 是自然语言处理（NLP）中的一个核心子领域，旨在设计和开发可以解析、理解并回答用户提出的自然语言问题的系统 ---- 三、智能问答系统的主要类型 智能问答系统因应用场景、数据源和技术手段的不同而存在多种类型。以下是其中的一些主要类型及其特点： 基于知识库的问答系统： 依赖预定义的知识库来检索答案。 基于检索的问答系统： 从大量文本数据中检索与问题相关的片段。 依赖高效的信息检索技术。 能够处理开放领域的问题，但答案的准确性可能受限于数据源的质量。 ---- 五、基于检索的问答系统 基于检索的问答系统是指根据用户问题的语义信息，从一个预先存在的大型文档或FAQ集中检索并返回最相关的答案。
2.5K30编辑于 2023-10-21 网页|高级检索与专业检索
1、高级检索 高级检索也称命令检索，是相对于基本检索而言，高级检索可以让你使用多于基本检索的标准来精炼检索，使检索信息更加详细，搜索出的结果可用性也更大。 ? 图1.1 百度高级检索示例图 ? 示例：知网上检索关键词包括“人工智能”，但不包括“大数据”，作者单位为“清华大学”，发表时间从2019年到2020年。 ? ，； 示例1：知网检索主题包含”人工智能“及”大数据“并且全文不包括”科学“的文献专业检索式 专业检索式：SU=('人工智能'*'大数据')-'研究'。 检索结果： ? 图2.3 示例1检索结果 示例2：百度检索在网址www.baidu.com内搜索标题包括人工智能、大数据但不包括发展，搜索格式为.doc的内容。 专业检索式：filetype:doc site:(baidu.com) title:(人工智能 "大数据" -(发展)) ?
4.4K20发布于 2020-07-16- 来自专栏信数据得永生
Python 人工智能：6~10
精度是指分类的准确率，召回率是指检索到的项目数占应检索的项目总数的百分比。 好的分类器将具有较高的精度和较高的查全率，但是通常在这两者之间需要权衡。 因此，我们有f1-score来表征。 而不是随机选择它们，我们使用k-means++以更智能的方式选择这些中心。 这样可以确保算法快速收敛。 n_clusters参数是指群集数。 GMM inc 的一些流行应用包括图像数据库检索，股票市场波动建模，生物特征验证等。 现在我们已经描述了什么是 GMM，让我们看看如何应用它们。 在我们讨论它的构成及其在人工智能（AI）中的相关性之前，让我们先讨论一下编程范例。 编程范例的概念源于对编程语言进行分类的需求。 它是指计算机程序通过代码解决问题的方式。 _10.png)] 图 10：PuzzleSolver 输出 如果向下滚动，您将看到为解决方案而采取的步骤。
1.8K30编辑于 2023-04-23 数据万象（CI）多模态智能检索服务技术概要
一、 产品定位与核心亮点 数据万象（Cloud Infinite, CI）多模态智能检索是腾讯云推出的基于 COS（对象存储） 的一站式智能数据处理服务。 场景：基于视频帧特征进行内容检索，或根据人物、地点、表情等信息构建智能相册。 数据治理与监管： 痛点：在上亿级别的海量文件中查找特定合规文件效率极低。 产品优势 精准度提升：通过智能抠图技术先处理图像再提取特征，使得特征库更准确，被搜图像特征计算更精准。 检索灵活性：支持文本、图片多种检索形式，满足不同交互习惯。 检索阶段：用户上传图片或输入文本（如“计算机”），系统调用 智能检索接口 进行特征比对，精准搜索对应特征库。 成效： 提升搜索效率和准确率（通过分类库和预处理）。 实现秒级返回百万级库下的检索结果。 支持输入检索文本/图片/视频，进行 Embedding 相似度对比。 成效： 实现跨模态检索（以文搜视频、以图搜视频）。 支持从数十亿文件中快速查询，辅助构建智能相册或内容审核。
4600编辑于 2026-05-31- 来自专栏信数据得永生
ensorFlow 智能移动项目：6~10
六、用自然语言描述图像 如果图像分类和物体检测是明智的任务，那么用自然语言描述图像绝对是一项更具挑战性的任务，需要更多的智能-请片刻考虑一下每个人如何从新生儿成长（他们学会了识别物体并检测它们的位置） 如果我们可以在智能手机上运行此模型，会不会更酷？ 但是在此之前，由于模型的相对复杂性以及 Python 中train和run_inference脚本的编写方式，我们还需要采取一些额外的步骤。 假设过去 10 天的价格为X1, X2, ..., X10，其中X1为最早的和X10为最晚，然后将所有 10 天价格视为一个序列输入，并且当 RNN 处理此类输入时，将发生以下步骤： 按顺序连接到第一个元素 }, {8,9,10,11}, {9,10,11,12}, {10,11,12,13}, }, {8,9,10,11}, {9,10,11,12}, {10,11,12,13},
2.2K20编辑于 2023-04-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号