Dense Retrieval sucht über Bedeutungsvektoren: gefunden wird, was im Vektorraum am nächsten liegt — auch bei völlig anderen Worten.
Was bedeutet Dense Retrieval?
Die Suche über Bedeutungsvektoren: Frage und Chunks werden vom Embedding-Modell in Vektoren übersetzt; gefunden wird, was im Vektorraum am nächsten liegt. „Dense“, weil die Vektoren durchgehend mit Werten gefüllt sind — jede Dimension trägt Bedeutungsinformation.
Abgrenzung — worauf es ankommt
Stärke: findet Inhalte auch bei völlig anderen Worten (Synonyme, Umschreibungen, sogar über Sprachen hinweg). Schwäche: exakte Zeichenketten — Artikelnummern, Namen, Paragrafen, seltene Fachbegriffe — gehen im „Bedeutungsbrei“ unter. Genau da glänzt Sparse.
Beispiel aus der Praxis
Frage „Wie viele freie Tage stehen mir zu?“ findet den Absatz „Der Erholungsurlaub beträgt 30 Arbeitstage“ — kein einziges gemeinsames Wort, trotzdem Treffer.
Dense Retrieval in Ihrem Unternehmen nutzen?
Von der Theorie in die Praxis: Wir zeigen Ihnen den passenden Weg — pragmatisch, DSGVO-konform und messbar.
Kostenlos · unverbindlich