精确率和召回率是评估向量数据库在相似性搜索或检索等任务中不同方面的两个指标。精确率衡量的是检索到的结果中有多少是真正相关的（例如，正确匹配的数量与返回的总结果数量之比）。召回率衡量的是数据库中所有相关的项目中有多少被成功检索到（例如，找到的正确匹配的数量与所有可能的正确匹配的数量之比）。精确率侧重于最小化不相关结果，而召回率侧重于最小化遗漏的相关结果。 例如，如果向量数据库返回 10 个项目，其中 8 个是正确的，则精确率为 80%。 如果总共有 20 个相关项目，而数据库找到了 8 个，则召回率为 40%。 这些指标回答了不同的问题：“结果有用吗？” （精确率）与“我们是否遗漏了重要数据？” （召回率）。
精确率和召回率是互补的，因为优化其中一个通常会牺牲另一个。 针对高精确率进行调整的系统可能会返回较少的结果，以确保大多数结果都是正确的，但这会冒着遗漏相关项目（低召回率）的风险。 相反，旨在实现高召回率的系统可能会返回许多结果以捕获所有相关项目，但这可能会包括不相关的项目（低精确率）。 例如，在使用向量数据库的面部识别系统中，严格的相似性阈值可能会产生高精确率（很少的错误匹配），但会遗漏有效的匹配（低召回率）。 降低阈值可以提高召回率（找到更多面孔），但会增加误报。 平衡两者可确保数据库不会过于严格或过于宽松，这在推荐系统等应用中至关重要，因为遗漏相关项目（低召回率）会令用户感到沮丧，而过多的不相关建议（低精确率）会降低信任度。
同时使用这两个指标可以提供对性能的全面了解。 例如，在医学影像数据库中，高召回率可确保检索到用于诊断的大多数与疾病相关的图像，而高精确率可防止临床医生在不相关的扫描上浪费时间。 仅依赖精确率可能会掩盖忽略关键数据的事实，而仅关注召回率可能会掩盖结果中的噪声。 像 F1 分数（精确率和召回率的调和平均值）这样的指标可以将两者结合起来，但分别分析它们有助于识别具体的弱点。 开发人员应根据使用案例确定优先级：电子商务搜索可能会优先考虑精确率以避免不相关的产品，而法律文件检索可能会优先考虑召回率以确保不会遗漏任何关键证据。 同时评估两者可确保数据库满足准确性和完整性要求。