- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习AI算法工程
知识图谱入门 ，语义搜索
什么是语义搜索，借用万维网之父Tim Berners-Lee的解释 “语义搜索的本质是通过数学来拜托当今搜索中使用的猜测和近似，并为词语的含义以及它们如何关联到我们在搜索引擎输入框中所找的东西引进一种清晰的理解方式 语义搜索答题可分为两类： DB 和KB 系统属于重量级语义搜索系统，它对语义显示的和形式化的建模，例如 ER图或 RDF(S) 和OWL 中的知识模型。主要为语义的数据检索系统。 对于文档Web搜索，数据库和语义搜索技术被应用到IR系统中，以便在搜索过程中结合运用日益增加的，高度结构化和表达能力强的数据。 语义搜索的流程图如下图所示： ? 语义数据搜索 语义数据搜索具有以下难点: 可扩展性：语义数据搜索对链接数据的有效利用要求基础架构能扩展和应用在大规模和不断增长的内链数据上。 混合语义搜索 下一代语义搜索系统结合了一系列技术,从基于统计的IR排序方法,有效索引和查询处理的数据库方法,到推理的复杂推理技术等等。
2K20发布于 2019-10-28 - 来自专栏AI进修生
Verba：终极 RAG 引擎 - 语义搜索、嵌入、矢量搜索等！
✅ 将表格数据导入 Verba 多模态 计划中 ⏱️ 将多模态数据导入 Verba UnstructuredIO ✅ 通过 Unstructured 导入数据 ✨ RAG 功能 实现情况 描述 混合搜索 ✅ 语义搜索与关键词搜索相结合 语义缓存 ✅ 基于语义意义保存和检索结果 自动补全建议 ✅ Verba 提供自动补全建议 过滤 计划中 ⏱️ 执行 RAG 之前应用过滤器（如文档、文档类型等） 高级查询
78000编辑于 2024-12-02 - 来自专栏Elastic Stack专栏
ES|QL：为搜索而生 - 引入评分和语义搜索
在Elasticsearch 8.18和9.0版本中，ES|QL增加了许多新功能，包括：支持评分语义搜索匹配功能的更多配置选项新的KQL功能在这篇博客中，我们将回顾这些8.18版本的功能以及计划添加到ES 8.18版本带来了令人激动的公告，即语义搜索现已普遍可用。 只需将索引字段映射为semantic_text，即可为语义搜索设置您的索引。查看我们的语义文本搜索教程以获取更多详细信息。使用ES|QL进行混合搜索ES|QL使得同时进行语义和词法搜索变得简单。 还可以设置不同的提升值，根据您的使用案例优先考虑语义搜索或词法搜索的结果：FROM books METADATA _score| WHERE match(semantic_title, "Shakespeare 超越8.18和9.0在未来的版本中，我们将为ES|QL增加更多的搜索功能，包括向量搜索、语义重排序、增强的评分自定义选项以及组合混合搜索结果的附加方法，如互惠等级融合（RRF）。
39510编辑于 2025-04-27 - 来自专栏AI进修生
GraphRAG：终极 RAG 引擎 - 语义搜索、嵌入、矢量搜索等等！
Aitrainee | 公众号：AI进修生 解锁 GraphRAG 的力量：用于高级语义搜索、嵌入、矢量搜索等的终极 RAG 引擎！ 与简单的文本搜索方法不同，GraphRAG使用知识图谱来提取和组织信息，从而提高响应的准确性和相关性，尤其是在处理复杂或私密的数据集时。
2.6K10编辑于 2024-12-02 - 来自专栏Elastic Stack专栏
结合查询规则与语义搜索：提升 Elasticsearch 搜索能力
使用 Elasticsearch 进行语义搜索和查询规则的结合你知道吗，查询规则可以无缝配合语义搜索使用？ 检索器将返回应用了匹配规则的搜索结果列表。语义搜索和查询规则简单的例子并没有展示查询规则的真正威力：在语义搜索之上应用业务规则。 这可以帮助返回对促销活动重要的结果，或者修正语义搜索未能返回我们期望结果的查询。我们可以使用相同的检索器框架，通过在定义的标准检索器下指定这些查询，来执行语义搜索的查询规则。 } }}将这一切结合起来，下面是一个如何将语义搜索、sparse_vector、knn 和 lexical text 搜索查询与 RRF 和语义重排序结合起来，并在它们之上应用查询规则的示例：POST 自己动手试试当结合语义搜索和重排序策略时，rule 检索器非常强大，因为它在利用语义搜索的同时提供了对搜索结果的精细控制。
66010编辑于 2024-12-25 - 来自专栏DotNet NB && CloudNative
Microsoft.Extensions.VectorData实现语义搜索
很多时候，除了集成LLM实现聊天对话，还会有很多语义搜索和RAG的使用场景，那么今天就给大家介绍一下如何完成语义搜索。 Microsoft.Extensions.VectorData介绍 语义搜索正在改变应用程序查找和解释数据的方式，它专注于语义关联，而不仅仅是关键字匹配。 Qdrant是一个向量相似性搜索引擎，它提供了一个生产就绪的服务，拥有便捷的 API来存储、搜索和管理带有额外负载的点（即向量）。 Microsoft.Extensions.VectorData.Abstractions (preivew) Microsoft.SemanticKernel.Connectors.Qdrant (preivew) 这里我们假设做一个CloudService的语义搜索 Microsoft.Extensions.Vector的基本概念 和 基本使用，结合Embedding Model（如all-minilm） 和 VectorStore（如Qdrant），我们可以快速实现语义搜索
37410编辑于 2025-04-10 - 来自专栏Elastic Stack专栏
Elastic 售后支持中心转向语义搜索
引入语义搜索的 Elastic 售后支持中心我们很高兴分享Elastic支持中心的最新改进：现在它由语义搜索驱动！ 在详细介绍我们对弹性®支持中心所做的更改及其对客户的影响之前，重要的是我们要先解释一下语义搜索的概念。从本质上讲，语义搜索是一种使用AI返回更相关搜索结果的搜索方法。 请观看这个简短的视频，解释这个概念：正如上图中所示，语义搜索匹配用户搜索的意图，而不仅仅是单词。 例如，我们在标准全文搜索和我们的新语义搜索实现上测试了短语“How to index data into Elasticsearch”。这是两种搜索方法的并排比较。 对于全文搜索，我们有一系列的指南、故障排除文章和带有匹配关键词的博客，但没有一个回答了“如何”的问题。或者换句话说，文本搜索没有捕捉到查询的语义意义，只是尽其所能匹配关键词。
91421编辑于 2023-12-28 - 来自专栏前端专精
通过MongoDB Atlas 实现语义搜索与 RAG——迈向AI的搜索机制
目录 通过MongoDB Atlas 实现语义搜索与 RAG——迈向AI的搜索机制 一、引言 二、语义搜索与 MongoDB Atlas 的背景 三、MongoDB Atlas 的向量搜索功能 1. 二、语义搜索与 MongoDB Atlas 的背景 语义搜索是基于内容意义而非简单关键词匹配的搜索方式，在信息检索领域具有广泛应用。 为什么需要语义搜索？ 提高信息匹配精度：语义搜索基于内容的相似性，可跨越词汇的表面差异。 相似性计算：支持基于距离度量的相似性查询，从而实现语义搜索。 Atlas 的向量搜索适合以下几类应用： 文本语义搜索：从大量文本中查找语义相似的内容。 语义搜索和传统关键词搜索在实现原理和应用效果上有显著区别： 特点 传统关键词搜索 语义搜索 匹配方式 基于字符串或关键词匹配 基于语义相似性 搜索结果 精确匹配，常出现遗漏或误报 相似内容匹配
82410编辑于 2025-01-22 - 来自专栏追不上乌龟的兔子
文本嵌入，语义搜索与sentence-transformers库
使用 sentence-transformers 进行语义搜索 通过比较不同向量间的余弦相似度，我们可以找到最相似的向量，这就是语义搜索的基本原理。 事实上，sentence-transformers 还提供了 utils.semantic_search 函数，简化了语义搜索的过程。可以使用一些中文文本来测试一下。 可以看到，语义搜索的结果还是比较准确的，并且模型正确识别出了在“情侣”、“兄妹”两个关系中，“女朋友”与前者更接近。 总结 sentence-transformers 是一个非常好用的文本嵌入工具包，可以用于生成句子的向量表示，也可以用于语义搜索。
2.5K10编辑于 2023-12-24 产品搜索竞赛推动语义匹配技术创新
产品查询竞赛吸引逾9200份提交方案在KDD 2022会议期间举办的KDD Cup竞赛框架下，某机构发起了改进产品搜索的ESCI挑战赛，并发布了全新的产品查询数据集。 作为挑战赛的重要组成部分，组委会发布了“购物查询数据集”——一个包含复杂搜索查询的大规模数据集，旨在促进查询-商品语义匹配领域的研究发展。 将每个商品分类为精确匹配、替代品、互补品或无关商品（通过准确率衡量）任务3：商品替代识别评估系统在给定查询结果列表中识别替代商品的能力（通过准确率衡量）数据集特色该数据集具有以下重要特征：源自真实客户的在线商品搜索行为 该数据集已公开发布，有望凭借其对真实客户查询复杂性的代表性，成为产品搜索领域的“ImageNet”。
17110编辑于 2025-10-10- 来自专栏SEO优化知识
“语义搜索”是什么，对SEO有什么影响？
近日，SEO专家都在讨论语音搜索，随着百度手机客户端，语音搜索的上线，“语义搜索”越来越被大家开始重视，大家一致认为，它有可能在未来的几年里，改变SEO优化的业态，蝙蝠侠IT认为这并不代表SEO行业的没落 那么，什么是语义搜索？ 简单理解：语义搜索就是透过现象看本质，搜索引擎在输出搜索结果的时候并局限于字面的意思，而是试图理解背后深层次的意思。 如果你用百度搜索这句话，就会看到它已经在尝试这方面的推荐，我就不给大家截图了，只有自己认真发现才能有颇深的感受。 那么，语义搜索，对SEO会产生什么影响呢？ 4、摒弃SEO技术排名，回归内容价值本身 当语义搜索完全投入搜索引擎使用中，它会降低一些SEO的技术指标，比如：如何写标题，H1-H3标签的使用，nofollow的合理利用等等，而真正的回归内容价值本身 总结：作为SEO人员，你是否在关注搜索引擎这方面的动态，如果还没有你可以先简单看看这篇文章，蝙蝠侠IT认为语义搜索的发展，未来将会直接影响SEO的工作内容。
1K40发布于 2019-12-20 - 来自专栏AI科技评论
语义分割领域开山之作：Google提出用神经网络搜索实现语义分割
AI 科技评论按：本文作者陈泰红，邮箱 ahong007@yeah.net，他为 AI 科技评论撰写了 Google 利用神经网络搜索实现语义分割的独家解读。 1. 基于 NAS 的图像分类迁移到高分辨率的图像处理（语义分割、目标识别、实例分割）有很大的挑战：(1)神经网络的搜索空间和基本运算单元有本质不同。 论文提出了基于 Dense Prediction Cell （DPC）构建的递归搜索空间，对多尺度上下文信息编码，实现语义分割任务。 Discussion 1、论文提出的 DPC 架构基于 Cell 构建的搜索空间，每个 Cell 有语义分割采用经典的空洞卷积，空间金字塔池化，1x1 卷积，在 mIOU 实现 state-of-art 5、语义分割是一种广义上的图像分类（对图像的每个像素进行分类），和图像分类在搜索空间有很多相似之处，但是目标检测需要 Region Proposal，Bounding-Box Regression 等，
89310发布于 2018-10-25 - 来自专栏追不上乌龟的兔子
文本嵌入，语义搜索与sentence-transformers库
使用 sentence-transformers 进行语义搜索 通过比较不同向量间的余弦相似度，我们可以找到最相似的向量，这就是语义搜索的基本原理。 事实上，sentence-transformers 还提供了 utils.semantic_search 函数，简化了语义搜索的过程。可以使用一些中文文本来测试一下。 可以看到，语义搜索的结果还是比较准确的，并且模型正确识别出了在“情侣”、“兄妹”两个关系中，“女朋友”与前者更接近。 总结 sentence-transformers 是一个非常好用的文本嵌入工具包，可以用于生成句子的向量表示，也可以用于语义搜索。
2.5K10编辑于 2023-12-24 - 来自专栏Elastic Stack专栏
Elasticsearch 新的 semantic_text 映射：简化语义搜索
semantic_text - 语义搜索的利器！ 想要使用语义搜索处理数据，但又不想花费大量时间在技术细节上？我们引入了 semantic_text 字段类型，帮助你处理所需的基础设施和细节。 语义搜索 是一种利用机器学习模型提高搜索结果相关性的高级技术。与传统的基于关键词的搜索不同，语义搜索专注于理解词语的含义及其使用的上下文。这通过机器学习模型实现，提供了更深层次的文本语义理解。 这些嵌入与文档数据一起存储，使得向量搜索技术能够考虑词语的含义和上下文，而不仅仅是纯粹的词汇匹配。 如何开始使用语义搜索？ 自动处理长文本文档，确保搜索覆盖整个文档并保持准确。 查询数据以检索结果。 从头开始配置语义搜索可能很复杂，需要设置映射、摄取管道以及针对所选推理模型定制的查询。 这些都是合理的默认设置，允许你快速轻松地开始使用语义搜索。随着时间的推移，你可能希望自定义查询和数据类型，以优化搜索相关性、索引和查询性能以及索引存储。 查询自定义 目前还没有自定义语义查询的选项。
87321编辑于 2024-07-12 - 来自专栏Reinvent Data Science
Milvus 在 Tokopedia 的应用 ｜ 让语义搜索更加智能
正因如此，我们致力于提高用户搜索结果的相关性，并引入了相似度搜索。在 Tokopedia 移动应用端的搜索结果页面上点击 ”...” 按钮，即可选择搜索与当前搜索结果类似的产品。 尽管 ASCII 编码包含的信息也足以让我们人类理解其原本语义，但仍缺乏一套完善的算法能让计算机也能根据 ASCII 编码理解和比较单词的实际含义。 向量表征 在众多解决方案中，语义向量表征能告诉我们单词是由哪些字母组成的，还能从某种程度上揭露该单词的含义。 例如，我们可以对其他经常与该单词一起使用的词进行编码（即潜在上下文，此处默认相似的上下文代表相似的语义），并通过数学计算来比较单词之间的相似度。 我们甚至可以试图基于语义对整个句子编码，以得出特征向量。 向量数据库 在获得目标特征向量后，我们需要从大量的向量数据中检索出与目标向量相似的向量。
56420发布于 2021-06-25 - 来自专栏活动
知识图谱嵌入在语义搜索中的应用
例如，用户搜索“欧洲足球最佳球员”时，传统搜索引擎可能会仅根据关键词匹配，而不是理解语义去查找相关的最佳球员名单。因此，如何通过深度理解文本的语义进行搜索，成为了现代信息检索的重要发展方向。 语义搜索 旨在通过自然语言处理技术，理解用户查询的意图，提供更为精准的搜索结果。而知识图谱嵌入技术将知识图谱中的实体和关系表示为低维向量，使得计算语义相似度成为可能。 通过知识图谱嵌入的方式，可以将传统的关键词搜索转换为语义搜索，提供更为智能和人性化的检索体验。 语义搜索简介 语义搜索通过理解用户查询的语义，提供与查询意图相符的搜索结果，而不仅仅是进行关键词匹配。 知识图谱嵌入在语义搜索中的应用流程数据准备 在语义搜索的场景中，知识图谱提供了丰富的背景信息，能够帮助系统更好地理解查询的含义。
1.2K10编辑于 2024-09-25 - 来自专栏AI算法之心
京东电商搜索中的语义检索与商品排序
文章作者：王松林、唐国瑜 京东算法工程师 编辑整理：Hoh 内容来源：作者授权 出品平台：DataFunTalk 导读：本文将介绍京东搜索场景中的两块技术，语义检索与商品排序。 01 背景介绍 电子商务搜索是京东等电商重要组成部分，用户通过搜索找到自己需要的商品，然后下单购买。一个典型电商搜索引擎的架构，包括三个重要组成部分：query 理解、召回和排序。 ? 我们使用的是 DPSR ( Deep Personalized and Semantic Retrieval ) 算法，模型融合个性化和搜索语义信息，我们的论文已被 SIGIR2020 收录。 1. 语义检索效果展示 语义检索上线后获得了很好的体验效果，不仅提升了转化，长尾流量降低了近10%的 query 改写率，也就是说用户不需要多次改写 query，就能获得想要的商品结果。 ? 04 总结 我们介绍了语义检索召回和商品排序，在京东搜索服务上部署并取得了良好效果。我们还在尝试一些业内其他流行的方法，比如 GNN、KG、MMoE 等方向，也获得了不错的成绩。
1.6K20发布于 2020-06-09 - 来自专栏ATYUN订阅号
谷歌基于语义模型打造全新搜索方式——Talk to Books
此外，谷歌为社区提供了一个预训练的语义TensorFlow模块，可以用自己的句子做试验，以及进行短语编码。 一旦你问了问题（或者进行陈述），这一工具会在超过10万本书中搜索句子，基于语义含义在句子层面对你的输入做出反应，而且没有预定义的规则限制输入的内容和所得到的结果。 传统的关键词搜索可能不会出现结果，但这个功能是独一无二的，可以帮助你找到有趣的书，不过此功能仍有改进的空间。 例如，这个实验在句子层面上搜索（而不是如同Gmail的智能回复中那样是在段落层面），所以机器认为好的匹配句子，仍可能会是断章取义的结果。 其他有潜力的应用包括：分类、语义相似性、语义群集、白名单应用（在可供替代的选项中选取合适的回应）、语义研究（例如Talk to Books方法）。
98160发布于 2018-04-17 - 来自专栏NLP/KG
释放搜索潜力：基于ES(ElasticSearch)打造高效的语义搜索系统，让信息尽在掌握
释放搜索潜力：基于ES(ElasticSearch)打造高效的语义搜索系统，让信息尽在掌握1.安装部署篇--简洁版，支持Linux/Windows部署安装 效果展示 PaddleNLP Pipelines 基于ES(ElasticSearch)打造高效的语义搜索系统效果展示链接 点击链接进行跳转： 释放搜索潜力：基于ES(ElasticSearch)打造高效的语义搜索系统，让信息尽在掌握[1.安装部署篇- --完整版]，支持Linux/Windows部署安装 释放搜索潜力：基于ES(ElasticSearch)打造高效的语义搜索系统，让信息尽在掌握[2.项目讲解篇],支持Linux/Windows部署安装 ：基于ES(ElasticSearch)打造高效的语义搜索系统，让信息尽在掌握[1.安装部署篇---完整版]，支持Linux/Windows部署安装 释放搜索潜力：基于ES(ElasticSearch) 打造高效的语义搜索系统，让信息尽在掌握[2.项目讲解篇],支持Linux/Windows部署安装
1K20编辑于 2023-10-27 - 来自专栏Elastic Stack专栏
从零开始了解语义搜索中的嵌入模型
实现语义搜索的挑战正如大多数矢量搜索供应商所宣传的那样，语义搜索系统的基本设计有两个简单的（这很讽刺） 步骤：计算文档和查询的嵌入。某处。不知何故。你自己想办法吧。 将它们上传到矢量搜索引擎并享受更好的语义搜索。图片您的语义搜索的最终效果取决于您的嵌入模型。但选择模型通常被认为超出了大多数早期采用者的能力范围。 使用嵌入的密集检索是许多语义搜索方法之一。它比 SPLADEv2和 ELSER 这样的新时代稀疏方法更好吗？ 传统上，BERT 后代最常用于语义搜索领域。BERT模型BERT 模型似乎非常适合我们的语义搜索问题，因为它可以简化为特定查询的相关和不相关文档的二元分类任务。 BM25 仍然是一个强大的基线——即使是针对语义相似性进行调整的大规模 MPNET 模型也无法始终胜过它但是为什么相似的嵌入模型在语义搜索任务中表现会有如此大的不同呢？
4.6K42编辑于 2023-08-25
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