你搜“怎么让孩子愿意读书”，系统返回“培养儿童阅读兴趣”，意思很接近，评测标签却可能判它答非所问。问题未必出在检索系统，也可能是“标准答案”漏了。据 Towards Data Science 介绍，文章讨论的正是这种冲突：相关性标签说不匹配，embedding（把文本表示成数字、让意思相近的内容彼此靠近）却显示两者有明显的语义相似性。
这会让常用指标产生误导。precision 衡量返回结果中有多少被标签认定为相关；如果标签漏标了合理答案，这些答案就会被算成错误，直接拉低 precision。recall 衡量已标注的相关项目找回了多少，通常不会因此直接下降，除非漏标结果在固定名额里挤掉了已标注项目。文章因此提醒：看到低分时，先别急着归咎于 embedding 质量，应分别检查向量是否真的找错，以及标签是否制造了 false negative——实际相关却被记成不相关的结果。现有供稿未披露具体数据集、指标变化或实验数字，因此这项工作的价值主要是一条评测原则，而非已量化的性能结论。