交互式可视化 · 零依赖 · 单文件
信息检索 可视化实验室
从倒排索引的构建到混合检索的融合管道，8 个核心模块带你直观理解搜索引擎背后的算法原理。每个模块均可交互调参、实时观察结果变化。
8
核心模块
0
外部依赖
SVG
原生渲染
100%
客户端运行
01 / INVERTED INDEX
倒排索引
将文档集合转化为「词项 → 文档列表」的映射结构。点击构建、合并、更新，观察 posting list 的动态变化。
倒排索引结构图 docs → terms → postings
点击「构建索引」开始...
文档数
0
词项数
0
Posting 数
0
状态
空闲
02 / TF-IDF
TF-IDF 权重计算
词频（TF）衡量词项在文档中的出现频率，逆文档频率（IDF）衡量词项的区分能力。选择词项查看各文档的权重分布。
TF / IDF / TF-IDF 权重对比 4 docs
DF
0
文档频率
IDF
0.00
逆文档频率
最高权重文档
—
权重范围
0 ~ 0
03 / BM25
Okapi BM25 排序
BM25 是工业界最广泛使用的排序函数。调节参数 k1（词频饱和）和 b（长度归一化），实时观察文档排序变化。
BM25 文档得分排序 query: "fox dog"
1.5
0.75
k1
1.5
词频饱和
b
0.75
长度归一化
Top-1 文档
—
得分范围
0 ~ 0
04 / VECTOR SPACE MODEL
向量空间模型
将文档和查询表示为高维向量，通过余弦相似度衡量匹配程度。拖动滑块调整查询向量方向，观察夹角与相似度变化。
2D 向量空间 余弦相似度
6.0
3.0
最佳匹配
—
最高相似度
0.00
夹角
0°
查询模长
0.00
05 / PAGERANK
PageRank 迭代计算
模拟随机游走过程，通过幂迭代传播节点重要性。调节阻尼因子 d，逐步迭代观察节点权重的收敛过程。
网页链接图 节点大小 = PageRank
0.85
迭代次数
0
收敛度
—
Top 节点
—
PR 总和
1.00
06 / LEARNING TO RANK
Learning to Rank
机器学习排序的三种范式：Pointwise（逐点回归）、Pairwise（成对偏好）、Listwise（列表级损失）。切换范式观察排序差异。
LTR 排序对比 Pointwise
范式
Pointwise
训练轮次
0
NDCG@5
0.00
Pairwise 损失
0.00
07 / HYBRID RETRIEVAL
混合检索管道
融合关键词检索（稀疏）与向量检索（稠密），通过 RRF（Reciprocal Rank Fusion）或加权融合合并候选，再经重排序模型精排。
混合检索流水线 keyword + vector + rerank
0.50
0.50
关键词候选
0
向量候选
0
融合后
0
最终结果
0
08 / EVALUATION METRICS
评估指标可视化
Precision、Recall、NDCG、MRR 是衡量检索系统质量的四大核心指标。切换指标查看不同的可视化视角。
检索评估指标 Precision / Recall
Precision@5
0.00
Recall@5
0.00
NDCG@5
0.00
MRR
0.00