通过Milvus的BM25算法进行全文检索并将混合检索应用于RAG系统
本文介绍如何利用 Milvus 2.5 版本实现快速的全文检索、关键词匹配，以及混合检索（Hybrid Search）。通过增强向量相似性检索和数据分析的灵活性，提升了检索精度，并演示了在 RAG 应用的 Retrieve 阶段如何使用混合检索提供更精确的上下文以生成回答。
如何通过开放搜索内容增强版在社区论坛场景的应用
社区内容通常包括UGC和PGC。由于关键词和内容多样性丰富、用词规范程度参差不齐，搜索引擎需要对关键词和内容进行智能语义分析，识别出用户真正的查询意图，找到最全面最相关的结果满足用户需求。本文将详细介绍如何通过“开放搜索（OpenSearch）内容增强版”在社区论坛场景的应用，提升用户搜索体验。
ML之NB：朴素贝叶斯Naive Bayesian算法的简介、应用、经典案例之详细攻略
朴素贝叶斯Naive Bayesian算法的简介 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯分类器基于一个简单的假定：给定目标值时属性之间相互条件独立。 通过以上定理和“朴素”的假定，我们知道：P(Category | Document) = P(Document....
ML之Clustering之K-means：K-means算法简介、应用、经典案例之详细攻略（二）
2、K-means原理的理解可视化让你更加容易它的算法过程https://www.naftaliharris.com/blog/visualizing-k-means-clusteringniu/https://ucc.alicdn.com/images/user-upload-01/20190813213148948.gifK-means算法经典案例相关文章ML之K-means：基于K-mea....
ML之Clustering之K-means：K-means算法简介、应用、经典案例之详细攻略（一）
K-means算法简介 K-均值是著名聚类算法，它找出代表聚类结构的k个质心。如果有一个点到某一质心的距离比到其他质心都近，这个点则指派到这个最近的质心所代表的簇。依次，利用当前已聚类的数据点找出一个新质心，再利用质心给新的数据指派一个簇。 上图所示，用“x”表示聚类质心，用点表示训练样本....
ML之kNN：k最近邻kNN算法的简介、应用、经典案例之详细攻略（二）
2、K 近邻算法的三要素K 近邻算法使用的模型实际上对应于对特征空间的划分。K 值的选择，距离度量和分类决策规则是该算法的三个基本要素：K 值的选择会对算法的结果产生重大影响。K值较小意味着只有与输入实例较近的训练实例才会对预测结果起作用，但容易发生过拟合；如果 K 值较大，优点是可以减少学习的估计误差，但缺点是学习的近似误差增大，这时与输入实例较远的训练实例也会对预测起作用，使预测发生错误。在....
ML之kNN：k最近邻kNN算法的简介、应用、经典案例之详细攻略（一）
目录kNN算法的简介1、kNN思路过程1.1、k的意义1.2、kNN求最近距离案例解释原理—通过实际案例，探究kNN思路过程2、K 近邻算法的三要素k最近邻kNN算法的应用1、kNN代码解读k最近邻kNN算法的经典案例1、基础案例kNN算法的简介 邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
