在视频搜索中，召回率是指系统从大型数据集中检索所有与用户查询相关的视频内容的能力。它衡量的是完整性：高召回率意味着系统返回了绝大多数（或所有）真正相关的视频，即使其中包含了一些不相关的结果。例如，如果用户搜索“Python 循环教程”，高召回率的系统将显示数据库中所有涵盖 Python 循环的视频，即使它也返回了一些无关的视频。在某些应用中，遗漏相关内容比偶尔包含不相关结果更严重，例如法律取证或学术研究，在这种情况下，此指标至关重要。
在视频搜索中实现高召回率具有挑战性，因为视频数据的复杂性很高。与文本不同，视频包含多种模态（视觉、音频、字幕中的文本）和时间结构（场景随时间变化）。为了有效索引内容，开发人员通常会提取特征，例如帧中的对象、口语（通过语音转文本）、屏幕文本（通过 OCR）或运动模式。如果在索引过程中未能全面捕获这些特征中的任何一项，系统可能会遗漏相关的视频。例如，如果系统的对象检测模型忽略了关键帧中的“山脉”，或者音频分析漏掉了旁白提及“日落”，那么搜索“落日下的山脉”的查询可能无法检索到相关的相关视频。开发人员必须平衡特征提取的深度与计算效率，以避免出现降低召回率的遗漏。
召回率还与精确率（检索到的结果中相关的比例）相互作用。优化高召回率通常会降低精确率，因为系统撒网更广。开发人员通过改进搜索算法来解决这种权衡。例如，使用同义词扩展（“car”→“vehicle”）或多模态融合（结合视觉和音频线索）可以在不牺牲过多精确率的情况下提高召回率。使用标记数据集（将已知的相关视频与搜索结果进行比较）进行测试有助于量化召回率并指导调整。在监控等应用中，遗漏关键片段是不可接受的，因此优先考虑召回率是合理的。相比之下，流媒体平台可能优先考虑精确率以保持用户参与度。了解这些动态有助于开发人员根据特定用例定制视频搜索系统。