信息检索 (IR) 中的语义搜索是指旨在理解用户查询背后的意图和上下文含义，而不是仅仅依赖关键词匹配的技术。与传统的基于关键词的搜索（基于精确术语匹配文档）不同，语义搜索解释单词、概念和用户意图之间的关系，以返回更相关的结果。这种方法使用自然语言处理 (NLP) 和机器学习模型来分析查询和被搜索内容的语义——或含义。例如，像“如何修理漏水的管道”这样的查询可能会检索到关于管道维修的结果，即使文档中不存在“漏水的管道”这个确切短语。
在技术层面上，语义搜索通常涉及将文本表示为高维空间中的向量。 像 BERT、Word2Vec 或句子转换器这样的模型将单词、短语或整个文档转换为捕获语义相似性的数值嵌入。 例如，单词“汽车”和“小汽车”在这个向量空间中会很接近，即使它们没有共享字母。 当用户提交查询时，系统计算其向量，并使用余弦相似度等相似性度量将其与索引文档的向量进行比较。 这允许检索在概念上相关但可能缺乏精确关键词重叠的文档。 诸如潜在语义索引 (LSI) 或基于 Transformer 的架构（例如，SBERT）之类的技术通常用于构建这些表示。 开发人员可以使用像 Hugging Face Transformers 或 FAISS 这样的库来实现这一点，以进行高效的相似性搜索。
语义搜索的一个实际例子是在电子商务中。 如果用户搜索“100 美元以下的无线耳机”，语义系统可以识别标记为“蓝牙耳机”或“无绳耳机”且价格为 99 美元的产品，即使这些确切的术语不在查询中。 另一个用例是企业搜索，员工可能会寻找“第四季度销售报告”，并收到包含“第四季度收入分析”文档的结果。 具有语义插件的 Elasticsearch 等工具或使用 OpenAI 嵌入的自定义解决方案使开发人员能够将语义搜索集成到应用程序中。 通过专注于含义而不是语法，语义搜索提高了相关性，处理了同义词和歧义，并适应了自然语言变体——使其对于需要细致理解的现代应用程序特别有用。