СледваСледващо ръководство
Не-максимално потискане
Визуален AI
Език AI РЪКОВОДСТВО
Максимална пределна релевантност
Максималната маргинална релевантност (MMR) е метод за повторно класиране, който балансира колко уместен е даден резултат спрямо това колко различен е от вече избраните резултати.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
Има значение, защото чистото класиране по уместност често връща почти дублиращи се пасажи, които губят място в контекстен прозорец на RAG.
Дълбоко гмуркане
Когато системата за търсене оценява документите само по отношение на заявка, най-добрите резултати често са излишни - пет пасажа, всички казващи едно и също нещо. MMR, въведен от Carbonell и Goldstein през 1998 г., коригира това чрез избиране на резултати един по един. На всяка стъпка той избира кандидата, който максимизира претеглената смес: ламбда, умножена по неговата релевантност към заявката, минус (1 минус ламбда) по максималното му сходство с всичко, което вече е избрано. Ламбда близо до 1 благоприятства чистата уместност; близо до 0 благоприятства разнообразието. При генериране с разширено извличане, MMR е популярен за извличане на разнообразен набор от парчета, така че езиковият модел вижда допълнителни доказателства, а не повтаряне на същия факт, подобрявайки покритието, без да разширява контекста.
Внедряване в реалния свят
RAG chatbot използва извличане на MMR, така че първите 5 части покриват различни аспекти на политика вместо пет парафрази на един и същи параграф.
Инструмент за обобщаване на изследвания прилага MMR, за да избере пасажи, които минимизират припокриването, създавайки по-широко, по-малко повтарящо се резюме.
Агрегаторът на новини класира статиите с MMR, за да покаже разнообразно отразяване на дадено събитие, вместо десет издания, повтарящи една история.
Vector store retriever на LangChain излага search_type='mmr' с fetch_k и lambda_mult, за да разнообрази върнатите документи.
Бъдещето на максималната маргинална релевантност
MMR остава олекотен по подразбиране в клиенти на векторни бази данни като LangChain и Chroma, където се предлага като режим за извличане на един ред. Бъдещите системи все повече го съчетават с научени цели за разнообразие, селекция, базирана на клъстери, и прекласатори за кръстосано кодиране, които преценяват новостта повече семантично, отколкото косинусово разстояние. С нарастването на контекстните прозорци акцентът се измества от спестяване на място към подготвяне на наистина допълващи се доказателства, поддържайки селекцията, съобразена с разнообразието, като MMR, уместна дори когато суровият капацитет е изобилен.
Прилагайки го на практика
Защо има значение
- Скорост и мащаб. Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
- Достъп и обхват. Той разширява достъпа между езици и стилове на комуникация.
- По-ясни решения. Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Внимавайте за
- Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
- Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
- Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Следващи стъпки
- Определете изходен формат, тон и стандарти за качество преди внедряване.
- Наземни отговори с доверени източници винаги, когато точността има значение.
- Поддържайте контролна точка за човешки преглед за изходи с високи залози.
- Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the Maximum Marginal Relevance quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
Какво е максимална пределна релевантност?
Максималната маргинална релевантност (MMR) е метод за повторно класиране, който балансира колко уместен е даден резултат спрямо това колко различен е от вече избраните резултати. Има значение, защото чистото класиране по уместност често връща почти дублиращи се пасажи, които губят място в контекстен прозорец на RAG.
Какъв е основният проблем, който MMR е предназначен да реши?
MMR адресира тенденцията на класиране само по уместност, за да изведе много резултати, които казват по същество едно и също нещо, като възнаграждава новостите.
Във формулата MMR какво подчертава ламбда стойност, близка до 1?
Уместност на ламбда теглата; близо до 1 доминира терминът за релевантност, докато близо до 0 доминира терминът за разнообразие (ниско сходство).
Как MMR избира своите резултати?
MMR е алчен итеративен метод: всеки избор увеличава максимално уместността минус максималното сходство с вече избраните елементи.
How can an embedding-based MMR implementation measure query relevance and document redundancy?
The general algorithm permits suitable similarity functions; cosine is a common choice for vector representations.
Защо MMR е особено полезен при генериране с разширено извличане (RAG)?
Чрез разнообразяване на извлечените парчета, MMR помага на модела да вижда разнообразни доказателства, вместо да повтаря един и същ факт, подобрявайки покритието.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема