定义

局部评分是指根据数据、内容片段或搜索结果与其查询、特定实体或定义的局部上下文窗口的即时接近程度来分配相关性或重要性分数的​​方法。与评估文档与整个语料库的全局评分不同，局部评分专注于输入与潜在匹配之间的局部关系。

为什么重要

在现代信息检索系统中，快速精确定位高度相关信息的能力至关重要。局部评分减轻了“稀释”的风险——即文档总体相关但与用户的即时需求不具体相关。它使人工智能系统能够优先考虑细粒度的、特定于上下文的答案，从而提高用户满意度和转化率。

工作原理

该机制通常涉及计算一个接近度指标。如果查询术语在短文本跨度内多次出现，局部分数就会增加。高级实现将嵌入相似性集成到局部向量空间中。例如，在知识图谱中，如果两个相关实体在被查询的数据结构中物理相邻，分数可能会增加。

常见用例

局部评分在多个领域至关重要：

• 搜索引擎结果页面 (SERPs)： 确定长文章中哪个段落是对用户特定问题的最佳直接回答。
• 对话式人工智能： 确保聊天机器人使用大型内部文档集中最即时和最相关的信息进行响应。
• 推荐引擎： 根据产品特征与其与用户当前浏览会话或购物车内容的即时关系进行评分。

主要优势

• 精确性： 通过关注微观上下文，显著提高了检索的精确性。
• 速度： 当评估范围严格限制时，计算效率很高。
• 用户体验： 提供高度定向、可操作的结果，减轻了用户的认知负担。

挑战

• 上下文窗口定义： 定义最佳的“局部”边界很复杂；太小，上下文就会丢失；太大，就会退化为全局评分。
• 噪声敏感性： 如果加权不稳健，局部分数可能会极易受到不相关的相邻文本的影响。

相关概念

该概念与语义搜索相交，语义搜索侧重于意义而非仅仅是关键词，与重排序（Re-ranking）相交，重排序使用二级模型根据局部特征来优化初始检索列表。