召回率@1 和 召回率@100（以及类似地 精准率@1 与 精准率@10）衡量向量搜索系统检索相关结果能力的不同方面。Recall@k（召回率@k）评估系统在前 k 个结果中包含正确项目的频率，而 Precision@k（精准率@k）则衡量前 k 个结果中有多少实际上是相关的。例如，Recall@1 检查单个顶部结果是否正确，而 Recall@100 检查正确项目是否出现在前 100 个结果中的任何位置。Precision@1 告诉您第一个结果是否相关，而 Precision@10 计算前 10 个结果中相关结果的比例。这些指标揭示了准确性、排名质量以及系统处理不同用户需求能力之间的权衡。
Recall@1 和 Recall@100 之间的差异突显了系统如何平衡精度与覆盖范围。高 Recall@100 表明系统善于在大型候选集中发现相关项目，即使它们并未排在最靠前。这对于推荐系统等任务至关重要，用户可能会滚动浏览多个结果。相比之下，Recall@1 关注系统能否自信地识别出最佳的单一匹配项，这对于语音助手等应用很重要，用户期望排名靠前的结果是正确的。同样，Precision@1 与 Precision@10 揭示了系统靠前结果的可靠性。例如，高 Precision@1 但低 Precision@10 表明系统过于保守，优先保证第一位的正确性，但在后续结果中难以维持相关性。
这些指标还暴露了系统在排名质量和检索广度之间平衡得如何。如果一个系统 Recall@100 高但 Precision@10 低，它可能会检索到许多相关项目，但也将它们与不相关的项目混在一起（例如，一个搜索引擎返回了有用的页面，但它们淹没在噪音中）。反之，高 Precision@1 但低 Recall@1 则意味着系统在有把握时准确，但在存在不确定性时无法检索到正确项目。开发者可以使用这些见解来调整他们的模型。例如，优化 Recall@100 可能需要增加搜索空间或改进嵌入以捕捉更广泛的相关性，而提高 Precision@1 则可能需要优化排名算法或使用更高质量的数据进行训练以优先确保靠前结果的准确性。选择取决于具体用例：对靠前结果的严格正确性要求（例如，医疗诊断）偏向于 Precision@1，而探索性任务（例如，产品搜索）则受益于更高的 Recall@100。