# Embedding 召回与近邻搜索

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第4章 Embedding 技术
- 页码线索：118-125
- 目标岗位：AI PM / 推荐系统产品 / 算法工程师面试
- 优先级：P0
- 标签：ann, lsh, vector-search

## 面试问题

为什么 embedding 召回需要近邻搜索技术？

## 30 秒回答

线上推荐需要在海量物品向量中快速找出与用户向量相近的候选，暴力计算成本过高，因此需要 ANN、局部敏感哈希等近似最近邻搜索方法。

## 展开要点

- Embedding 召回把推荐问题转化为向量近邻检索。
- 近似搜索在召回质量和延迟之间做权衡。
- 局部敏感哈希通过哈希桶减少候选搜索范围。
- 工业系统还要考虑索引更新、过滤、权限和多路融合。

## 高频追问

- ANN 为什么是近似而不是精确？
- 召回延迟和召回率如何平衡？
- 多桶策略有什么作用？

## 项目映射

- RAG 向量库召回与推荐 embedding 召回的相似点。
- 知识卡推荐中先向量召回，再排序。

## AI PM 迁移

AI PM 需要知道向量检索是工程系统：召回质量、延迟、成本和更新频率同时决定体验。

## 备注

本卡为面试复习用的主题重构和答题框架，不保存原书正文。