知识卡片

普通读书笔记卡 · 9811.a · 生成模型:DeepSeek-V4.1-Flash

图谱把匹配变成推理

理解等级:中级

搜索框里的词和网页里的词不是一回事:用户输入“苹果发布会”,要的是公司动态,而页面里可能满是水果。这个差距就是语义鸿沟,关键词倒排索引填不平——它只能算词的重合度,并不知道“苹果”指哪家公司,也回答不了“姚明的妻子是谁”。

接入知识图谱后,查询先被解析成实体和关系(识别出“姚明”“妻子”),再到图上找路径,命中“姚明—配偶—叶莉”这条边就能直接给出答案,而不是给十个可能含答案的网页。附带的效果是概念检索:用户搜“图灵奖得主”,系统可以沿“图灵—获奖—图灵奖”这类边做一层推理,把没有出现原词的页面也召回。

代价是覆盖面。只有当查询涉及的实体和关系已经在图谱里,这套路径才成立;长尾查询、新出现的实体没有对应节点,系统必须回退到关键词检索。所以工业系统通常是“图谱召回 + 文本召回”并联,用图谱提升头部查询的精度,用文本兜住长尾,而不是用图谱替换索引。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第3章 知识图谱相关理论(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0040.html) - 结论依据:原文对比了无图谱时“从URL中找匹配度最高的结果”与有图谱时“直接回答 + 语义推理”,说明增益来自语义而非词面匹配。 - 原始内容:而基于知识图谱的搜索,除了能够直接回答用户的问题外,还具有一定的语义推理能力,大大提高了搜索的精确度。