向量度量基础与混合检索开发实战

本文对比了稠密向量与稀疏向量的几何特征，并结合 PyMilvus SDK 提供了双路混合检索（加权分数融合与倒数排名融合 RRF 算法）从特征生成、多特征建表索引到单路与多路检索调用的开发实战。

向量度量基础

Embedding 向量基础

在 AI 与 NLP 领域，一段文本经过嵌入模型（Embedding Model）处理后，会被映射为一个包含数百乃至上千维度的浮点数组。这个数组在高维空间中构成一条有方向、有长度的"箭头"：

方向：编码了文本的核心语义特征。语义相近的文本，其向量方向在空间中高度一致。
模长（大小）：可能携带信息强度、置信度等附加特征，但是否具有实际语义含义取决于具体模型。对于已做 L2 归一化的 Embedding，模长固定为 1，不再承载额外信息。

通过对比这些高维向量的夹角或几何距离，机器便能量化文本之间的语义相似度。

稠密向量与余弦相似度

形态特征：固定长度（如 768 或 1024 维）的浮点数数组，几乎没有零值。
核心优势：捕捉深层语义——即便两个句子字面完全不同（如"我想买台智能设备"与"苹果手机多少钱"），也能感知语义上的相近关系。
度量方式：余弦相似度 (Cosine Similarity)。

关键特性：值域有界。余弦相似度的值域被限制在 [-1, 1] 之间，值越接近 1 表示向量方向越一致（语义越相近）。相比于内积等值域无界的度量，余弦分数具备明确的几何含义，在同一模型、同一任务、同一语料分布下，可以通过标定获得相对稳定的业务阈值。但需注意：不同模型对同一组文本的余弦相似度打分区间存在系统性差异，阈值在切换模型、更换业务场景后必须重新标定。

稀疏向量与内积度量

形态特征：维度极大（通常对应分词词表大小，动辄十万维）的数组，绝大多数位置的值为 0，只有文本中实际出现的词对应维度为非零值。
核心优势：捕捉精准关键词匹配——对专有名词、产品型号、规范编号等，能确保严格的字面对齐，弥补稠密向量过度泛化的不足。
度量方式：内积 / 点积 (Inner Product / Dot Product)。

关键特性：值域无界。内积得分等于匹配词权重的累加，其上限完全取决于分词器设计和文本长度，可能是 [0, 1]，也可能是 [0, 50] 甚至更高。不同模型、不同分词器产出的稀疏分数量级可能天差地别，无法直接跨模型比较。

L2 归一化分析

L2 归一化（L2 Normalization，又称欧几里得范数归一化）是向量空间中一种常见的缩放操作。

通俗定义：先计算向量中所有元素的平方和，再对该平方和进行开根号，得到向量的“模长”（几何长度）。然后将向量中的每一个元素都除以这个模长。
几何意义：经过 L2 归一化后，所有向量的模长（长度）都固定为 1.0。在几何空间中，这意味着把所有长短不一的向量都等比例缩放，使其终点刚好落在半径为 1 的超球面上。这样就只保留了向量的方向（语义关系），而抹平了因为长度或信息强度差异带来的影响。

稠密向量的 L2 归一化优化：

在 Milvus 等检索引擎中，通常建议入库前对稠密向量做 L2 归一化（将模长缩放至 1.0）。这可以将开销较大的余弦相似度计算等价转化为高效的内积（点积）计算，从而大幅提升检索吞吐。
当前阿里云 DashScope（text-embedding-v4）等托管嵌入服务返回的 dense embedding 经实测接近单位向量，可直接用于 Cosine/IP 检索。

对于 BM25 及其变体等传统稀疏检索，不建议额外进行 L2 归一化，因为会改变原有的长度归一化机制和权重分布。如果强行对这类稀疏特征做 L2 归一化，会产生长文本稀释效应：

长文档中的关键词权重会被较多无关词均摊
短文档中相同的关键词却会被分配到较高的归一化权重
结果：包含精确匹配词的长文档，得分反而可能低于不相关但更短的文档

因此，此类稀疏匹配通常采用非归一化的点积累加，其分值上限在数学上不可控。（注：部分神经稀疏模型如 SPLADE 在数学上可以做归一化，此处主要指 BM25 类的传统稀疏表示）

混合向量生成与建表存储

在 RAG 检索系统中，我们需要为文档数据同时生成稠密特征（Dense）与稀疏特征（Sparse），并利用 PyMilvus SDK 的原生接口定义支持混合检索的多列索引集合。

混合向量特征生成

我们可以利用 DashScope 的 text-embedding-v4 模型同时生成两路特征。以下是调用 SDK 获取特征并转换为键值映射字典的 Python 示例：

Python

import dashscope

def generate_hybrid_vectors(text: str, api_key: str) -> tuple[list[float], dict[int, float]]:
    """
    生成输入文本的稠密向量与稀疏向量特征
    """
    response = dashscope.TextEmbedding.call(
        model="text-embedding-v4",
        input=[text],
        output_type="dense&sparse",  # 同时获取两种表征
        api_key=api_key
    )

    emb_data = response.output["embeddings"][0]
    
    # 稠密向量为 1024 维浮点数列表
    dense_vector = emb_data["embedding"]
    
    # 将稀疏结果映射为 {token_id: weight} 的稀疏字典形式
    raw_sparse = emb_data["sparse_embedding"]
    sparse_vector = {item["index"]: item["value"] for item in raw_sparse}

    return dense_vector, sparse_vector

多特征建表与数据入库

有了特征向量后，我们使用 MilvusClient 的原生 API 创建带有双路特征字段的 Schema，分别为其建立专属索引，并完成数据写入。

Python

from pymilvus import MilvusClient, DataType

# 1. 初始化客户端（支持本地 SQLite 数据库或远程连接）
milvus_client = MilvusClient(uri="./milvus_test.db")
collection_name = "travel_hybrid_docs"

# 模拟已生成的稠密与稀疏特征向量（实际应用中由上述 generate_hybrid_vectors 生成）
dense_vector = [0.1] * 1024
sparse_vector = {101: 0.9, 202: 0.7}

# 2. 定义支持多特征检索的集合结构 (Schema)
schema = milvus_client.create_schema(auto_id=True, enable_dynamic_field=True)
schema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True)
schema.add_field(field_name="text_content", datatype=DataType.VARCHAR, max_length=65535)
schema.add_field(field_name="dense_vector", datatype=DataType.FLOAT_VECTOR, dim=1024)
schema.add_field(field_name="sparse_vector", datatype=DataType.SPARSE_FLOAT_VECTOR)

# 3. 分别为稠密向量和稀疏向量字段配置索引参数
index_params = milvus_client.prepare_index_params()

# 稠密索引使用 COSINE 余弦度量
index_params.add_index(
    field_name="dense_vector",
    index_name="dense_index",
    metric_type="COSINE",
    index_type="FLAT"
)
# 稀疏索引使用 IP 内积度量
index_params.add_index(
    field_name="sparse_vector",
    index_name="sparse_index",
    metric_type="IP",
    index_type="SPARSE_INVERTED_INDEX"
)

# 4. 创建集合 (Collection)
if not milvus_client.has_collection(collection_name):
    milvus_client.create_collection(
        collection_name=collection_name,
        schema=schema,
        index_params=index_params
    )

# 5. 混合写入稠密与稀疏特征向量
data_to_insert = [{
    "text_content": "北京故宫门票必须提前7天在线预约，入园时请务必刷身份证凭证。",
    "dense_vector": dense_vector,   # 1024 维稠密特征向量
    "sparse_vector": sparse_vector  # 稀疏特征字典 {token_id: weight}
}]
milvus_client.insert(
    collection_name=collection_name,
    data=data_to_insert
)

混合检索策略

混合检索的核心是并发执行稠密向量与稀疏向量检索，并将各自召回的文档集合融合成单一的排序队列，以达到在单次检索中平衡语义泛化与精确匹配的目的。

加权分数融合检索

https://milvus.io/docs/zh/weighted-ranker.md

加权分数融合通过为不同的检索通道分配不同的权重比例，将各通道得到的相似度得分进行线性加权求和，以此计算出最终的融合得分并进行重排。在执行时，系统通常先对两路分数进行归一化映射以消除量纲差异，然后再进行权重的乘积与累加。在 Milvus 中，我们通过原生构建两路子请求，并指定 WeightedRanker 重排器来实现这一融合策略。

Python

from pymilvus import MilvusClient, AnnSearchRequest, WeightedRanker

milvus_client = MilvusClient(uri="./milvus_test.db")

# 模拟查询所对应的稠密与稀疏特征向量
query_dense = [0.1] * 1024
query_sparse = {101: 0.85, 202: 0.65}

# 1. 构造稠密与稀疏两路检索子请求
req_dense = AnnSearchRequest(
    data=[query_dense],                      # 稠密查询特征
    anns_field="dense_vector",
    param={"metric_type": "COSINE"},         # 稠密检索使用余弦相似度
    limit=5
)
req_sparse = AnnSearchRequest(
    data=[query_sparse],                     # 稀疏查询特征
    anns_field="sparse_vector",
    param={"metric_type": "IP"},             # 稀疏检索使用内积相似度
    limit=5
)

# 2. 调用 hybrid_search 执行两路检索融合，并使用 WeightedRanker 进行加权融合重排
results = milvus_client.hybrid_search(
    collection_name="travel_hybrid_docs",
    reqs=[req_dense, req_sparse],
    ranker=WeightedRanker(0.7, 0.3, norm_score=True),  # 分别指定稠密（0.7）和稀疏（0.3）的权重
    limit=5,
    output_fields=["text_content"]
)

倒数排名融合（RRF）

https://milvus.io/docs/rrf-ranker.md

如果需要规避各检索通道分数体系和量纲差异的影响，可以使用倒数排名融合（Reciprocal Rank Fusion, RRF）算法。RRF 不直接依赖原始的分数，而只关注文档在各检索通道中的排名位次。它通过累计各通道排名的倒数得分计算最终的重排得分，能够规避不同通道的分值量纲差异，算法表现最为稳健。

Python

from pymilvus import MilvusClient, AnnSearchRequest, RRFRanker

milvus_client = MilvusClient(uri="./milvus_test.db")

# 模拟查询所对应的稠密与稀疏特征向量
query_dense = [0.1] * 1024
query_sparse = {101: 0.85, 202: 0.65}

# 1. 构造稠密与稀疏两路检索子请求
req_dense = AnnSearchRequest(
    data=[query_dense],                      # 稠密查询特征
    anns_field="dense_vector",
    param={"metric_type": "COSINE"},         # 稠密检索使用余弦相似度
    limit=5
)
req_sparse = AnnSearchRequest(
    data=[query_sparse],                     # 稀疏查询特征
    anns_field="sparse_vector",
    param={"metric_type": "IP"},             # 稀疏检索使用内积相似度
    limit=5
)

# 2. 调用 hybrid_search 执行两路检索融合，并使用 RRFRanker 进行无分数排名融合
results = milvus_client.hybrid_search(
    collection_name="travel_hybrid_docs",
    reqs=[req_dense, req_sparse],
    ranker=RRFRanker(k=60),                  # 使用 RRF 融合，k 为平滑常数（默认推荐值为 60）
    limit=5,
    output_fields=["text_content"]
)

融合策略选型总结

朴素加权求和：由于余弦与内积的分值范围及量纲完全失衡，不加归一化的线性相加在实际检索中极易导致某单通道完全主导，在生产中不建议直接采用。
加权分数融合（WeightedRanker）：通过归一化（norm_score=True）抹平物理量纲，能在融合中保留局部的相对分数梯度，但对跨查询（Cross-Query）的阈值卡点依然比较敏感，常作为第二阶段重排前的数据初筛手段。
倒数排名融合（RRF）：完全无视绝对分值，仅依据各子通道排名进行融合计算。RRF 对量纲差异天然免疫，且抗噪性能极佳，是目前最稳健、最受工业界青睐的双路检索融合机制。

向量度量基础与混合检索开发实战