Dense Retrieval 密集检索是什么？

一句话解释

Dense Retrieval 就是用神经网络把每段文本转换成一个高维的“语义坐标”，然后通过计算坐标之间的“距离”来找出含义最相似的内容，而非只看字面是否包含相同的关键词。

为什么会被关注

传统的关键词检索（如BM25）对同义词、语序变化、抽象表述无能为力，导致用户经常搜不到想要的内容。Dense Retrieval 能够捕捉深层语义，显著提升搜索和推荐的准确率，因此被搜索引擎、问答平台和推荐系统广泛采用。

在大模型浪潮中，RAG（检索增强生成）需要高效、准确的检索组件，Dense Retrieval 成为连接海量知识和生成模型的关键桥梁，直接影响了对话机器人和知识问答产品的实用效果。

核心逻辑

首先用预训练语言模型（如BERT、Sentence-BERT）将查询和候选文档分别编码成固定长度的稠密向量（通常几百维）。这些向量在语义空间中形成高维分布：语义越接近的文本，其向量夹角越小、欧氏距离越短。

检索时，系统不再依赖倒排索引和词频统计，而是通过内积或余弦相似度计算查询向量与全部候选向量的距离，然后返回距离最小的前 K 个结果。为了加速大规模向量匹配，通常配合近似最近邻（ANN）索引使用。

常见场景

企业知识库搜索：员工输入“上季度营收多少”，系统通过 Dense Retrieval 找到包含“Q2财务报告”“收入数据”等内容页，即使页面上没有“上季度”“营收”这些词也能命中。

智能客服与文档检索：用户问“怎么退款”，系统从数千篇帮助文档中定位到“取消订单并申请退款”的相关章节，并返回给对话机器人生成答复。

个性化推荐：在内容平台中，将用户行为序列和目标文章编码为向量，利用 Dense Retrieval 从海量文章库中召回兴趣匹配的内容。

容易混淆的点

Dense Retrieval 不等于全文语义搜索：语义搜索是目标，Dense Retrieval 是技术实现路径之一，还有基于稀疏向量+扩展的方法（如SPLADE等）。

Dense Retrieval 的向量模型与向量数据库的关系：向量数据库是存储和检索向量的基础设施，而 Dense Retrieval 侧重如何将文本转化为有意义的向量以及如何进行匹配训练。

不是所有向量检索都是 Dense Retrieval：如果把词袋模型直接映射为稀疏向量（如TF-IDF向量），虽然也是向量空间，但属于稀疏检索。Dense Retrieval 特指使用神经网络生成的密集、连续的低维向量。