文字检索中向量检索的经典方法主要包括以下四类：双塔模型（Dual-Tower Model）该模型通过pairwise ranking-loss（如triplet loss）分别学习查询（query）和文档（doc）的向量表示。具体流程为：将文档端向量构建索引后，利用近似最近邻搜索（ANN）实现快速召回。其核心优势在于可融合多模态特征，例如Facebook的《Embedding-based Retrieval in Facebook Search》论文中，编码器不仅处理文本，还整合社交信息、地理位置等上下文数据，显著提升语义匹配能力。单塔交互模型（Single-Tower Interactive Model）与双塔模型不同，此方法直接让查询与每个候选文档进行交互计算相似度分数。由于需逐一计算，其复杂度较高，但匹配精度更优。阿里TDM方案通过平衡树结构优化检索效率，将复杂度降至K*O(打分NN复杂度)O(log(2文档数))，其中K为召回数量，NN为神经网络打分模型。该模型适用于对精度要求高、可接受一定计算成本的场景。图神经网络方法（Graph-Based Method）该方法基于图结构学习节点（如文档）的嵌入表示。具体步骤为：通过图神经网络（GNN）生成文档的向量，构建索引后，查询的向量通过GNN推理或预训练生成，最终通过ANN召回相关文档。局限性在于需确保查询节点存在于图中，否则无法学习其嵌入，因此更适用于领域知识图谱或封闭数据集的检索任务。端到端向量化检索（End-to-End Vectorization）以OpenSearch向量检索版为代表，支持直接上传图片、文本等原始数据，内置算法自动完成向量化、索引构建及搜索。其优势在于无需手动特征工程，提供以图搜图、文搜图等跨模态能力，同时通过优化内存占用降低计算成本。例如，在电商场景中，用户上传商品图片即可快速检索相似商品，显著提升检索效率。核心优势总结：向量检索通过高维向量捕捉语义信息，具备语义丰富性（超越关键词匹配）、可度量性（支持相似度计算）、抗噪声能力（对拼写错误、同义词不敏感）及大规模数据下的匹配速度提升（ANN加速）。不同方法的选择需权衡精度、效率及数据特性。