倒排索引初步认识

RAG分词器的相关知识：

倒排索引：

倒排索引就是建立“ 词 → 包含这个词的文档 ”的映射，从而让搜索系统能够快速找到相关文档

可以理解为字典的反向查找表

正常来讲是先去找文档，然后看文档里面有什么词，但这样操作在文档数量少的时候还行，一旦文档数量非常多的时候，例如1000万篇文档，这个时候一篇一篇文档去查找关键词，效率会非常低，所以也就用到了倒排索引

之所以叫倒排，就是因为它是通过去比对关键词，找出这个词所归属的文档，从而快速锁定关键词所在的文档，这种就属于稀疏检索。

例如成都 -> [doc1, doc2, doc4]，旅游 -> [doc2]，当用户同时问到成都和旅游，还可以做交集，得知doc2为既包含成都也包含旅游的文档就实现快速精准的检索

说到这里，联系一下稠密检索中的向量检索，这里的倒排索引和BM25这种都属于稀疏检索，根据关键词来检索出相关文档，只会搜索出包含一模一样的关键词在内的文档，有一个字不一样都会被过滤。

而向量检索则是根据语义来检索，例如用户问我今天想去蓉城玩，而如果词库中只有成都，没有蓉城，BM25没有找到包含蓉城的文档，就会失效。而向量检索会分析语义，判断出蓉城 == 成都，所以就会检索出成都相关的文档。