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.
Преглед
It matters because pure relevance ranking often returns near-duplicate passages that waste space in a RAG context window.
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.
Техническа информация
MMR е алчен, итеративен алгоритъм. Както уместността, така и междудокументното сходство обикновено се изчисляват като косинусово сходство между вградени вектори. Формулата за оценяване е: MMR = argmax върху оставащите документи от [ ламбда * sim(doc, заявка) - (1 - lambda) * max sim(doc, избрано)]. Тъй като преоценява спрямо нарастващия избран набор всеки кръг, той зависи от реда и работи в приблизително O(k*n) сравнения на сходство за k избрани от n кандидати.
Стратегическо въздействие
Speed and scale
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Access and reach
Той разширява достъпа между езици и стилове на комуникация.
Clearer decisions
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
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.
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.
Рискове и предпазни огради
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.
Пътна карта за изпълнение
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
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Maximum Marginal Relevance quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Не-максимално потискане
Frequently asked questions
What is Maximum Marginal Relevance?
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.
Каква мярка за сходство се използва най-често в MMR за вграждане на текст?
Косинусното сходство между вградените вектори е стандартният избор както за уместност на заявката, така и за сравнение между документи в MMR.
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.