大模型RAG技术详解——什么是文本召回

本文介绍了文本召回技术，即从向量数据库中召回相关文本片段，这是大模型RAG的核心。文章对比了稠密向量检索模型（BERT、GPT）和稀疏向量检索模型（TF-IDF、BM25）的特点与应用场景。TF-IDF解决了朴素词袋模型的缺点，BM25优化了相似度计算。BERT采用双向注意力机制，GPT采用单向注意力机制，分别适用于语义分析和生成式任务。什么是文本召回？是从向量数据库中召回与用户问题相关的文本片段

沈页

535人浏览 · 2025-09-23 15:08:44

沈页 · 2025-09-23 15:08:44 发布

本文介绍了文本召回技术，即从向量数据库中召回相关文本片段，这是大模型RAG的核心。文章对比了稠密向量检索模型（BERT、GPT）和稀疏向量检索模型（TF-IDF、BM25）的特点与应用场景。TF-IDF解决了朴素词袋模型的缺点，BM25优化了相似度计算。BERT采用双向注意力机制，GPT采用单向注意力机制，分别适用于语义分析和生成式任务。

什么是文本召回？是从向量数据库中召回与用户问题相关的文本片段。

最简单的文本召回环节示意图如下所示：

文本召回模型是大模型RAG的核心，介绍一下经典模型，包括稠密向量检索模型和稀疏向量检索模型。一类是基于BERT、GPT等深度学习模型的稠密向量检索模型，一类是以TF-IDF、BM25为代表的稀疏向量检索模型。稠密向量检索模型更擅长提取文本中的语义信息，稀疏向量检索模型更擅长提取关键词信息。大家看到常用的混合检索是把这两类模型优点都吸收了。

稀疏向量检索模型

介绍TF-IDF模型前，先介绍下最初的朴素词袋模型，朴素词袋模型是将文本片段转换为向量的一种最简单的方法，它将文本看作一个“袋子”，只关注文本中是否包含某个词，并统计每个词出现的频率，而不考虑词的顺序，也无法提取文本的语义信息。这个模型存在2个缺点，1是没有考虑文本长度对词频的影响，文本越长，某些词的可能性就会越大。2是该模型没有考虑常见词（如“的”，“你”）的权重问题。

TF-IDF是由词频（TF）和逆文件频率（IDF）相乘得到的。TF-IDF就是解决以上2个问题，它的核心思想是，一个词在一段文本中出现的次数越多，同时在其他文本中出现的次数越少，越能够代表该段文本。像一些搜索，检索类的框架用这个算法来推荐打分，比如Elasticsearch相关评分度。

BM25与朴素词袋模型和TF-IDF不同，它不是先计算文本向量，再通过向量计算相似度，而是直接根据查询文本和候选文本计算相似度。BM25是一个改进版，1是它考虑了词频对相似度评分的饱和度影响。比如一段100个词的文本，其中有10个词是“桃子”，根据BM25的思想，认为该文本跟“桃子”是强相关，而不要求“桃子”出现100词才能认为强相关。BM25会设置一个阈值，当到达了后，后续再出现就不会产生很大的影响。2是BM25在计算相似度时不仅考虑当前文本的长度，还考虑它与平均文本长度的相对大小。

稠密向量检索模型

BERT模型是基于transformer编码器结构而来的。每个位置的token拥有双向注意力，在句子开头位置的[cls]token也可以感知文本的全局信息。允许他前后翻看，联系上下文来理解每一个词、每一句话的真正含义。

GPT模型是基于transformer解码器结构而来的。它采用的单向注意力机制，每个位置的token只能感知到其之前的信息。如果想用单个位置向量来代表句向量，那么只能选用最后位置的向量。他只能根据已经写出来的内容（上文）来预测下一个最可能是什么（单向注意力）。

通过以上我们也了解为什么BERT更适合做情感分析，文本分类，语义分析；GPT则更适合做生成式的创造和预测内容，比如创造文章，对话聊天。