Maximální okrajová relevance
Maximální mezní relevance (MMR) je metoda přehodnocení, která vyvažuje, jak relevantní je výsledek, a jak se liší od již vybraných výsledků.
Přehled
Záleží na tom, protože hodnocení čisté relevance často vrací téměř duplicitní pasáže, které plýtvají místem v kontextovém okně RAG.
Hluboký ponor
Když vyhledávací systém hodnotí dokumenty čistě podle relevance k dotazu, nejlepší výsledky jsou často nadbytečné – pět pasáží říká totéž. MMR, představený společnostmi Carbonell a Goldstein v roce 1998, to opravuje výběrem výsledků jeden po druhém. V každém kroku vybere kandidáta, který maximalizuje váženou směs: lambda krát jeho relevance k dotazu, mínus (1 mínus lambda) krát jeho maximální podobnost s čímkoli již vybraným. Lambda blízko 1 upřednostňuje čistou relevanci; blízko 0 upřednostňuje rozmanitost. V generování s rozšířeným vyhledáváním je MMR populární pro získávání pestré sady kousků, takže jazykový model vidí spíše doplňkové důkazy než opakování stejné skutečnosti, čímž se zlepšuje pokrytí bez rozšiřování kontextu.
Technický přehled
MMR je chamtivý, iterativní algoritmus. Jak relevance, tak podobnost mezi dokumenty se obvykle vypočítávají jako kosinusová podobnost mezi vektory vkládání. Vzorec pro hodnocení je: MMR = argmax nad zbývajícími dokumenty [ lambda * sim(doc, dotaz) - (1 - lambda) * max sim(doc, vybráno) ]. Protože se každé kolo přehodnocuje proti rostoucímu vybranému souboru, je závislý na pořadí a probíhá zhruba O(k*n) porovnání podobnosti pro k výběrů z n kandidátů.
Strategický dopad
Rychlost a měřítko
Jazykové pracovní postupy se mohou pohybovat rychleji, aniž by byla obětována konzistentnost.
Přístup a dosah
Rozšiřuje přístup napříč jazyky a komunikačními styly.
Jasnější rozhodnutí
Týmy mohou strávit více času úsudkem, zatímco automatizace zvládne opakování.
Budoucnost maximální marginální relevance
MMR zůstává lehkým výchozím nastavením ve vektorových databázových klientech, jako jsou LangChain a Chroma, kde je nabízen jako režim jednořádkového vyhledávání. Budoucí systémy jej stále více spárují s naučenými cíli diverzity, selekcí na základě clusteru a přehodnocením křížového kodéru, které posuzují novost sémanticky více než kosinusová vzdálenost. Jak se kontextová okna rozrůstají, důraz se přesouvá od úspory místa k získávání skutečně doplňujících důkazů, přičemž výběr zohledňující rozmanitost, jako je MMR, je relevantní, i když je nezpracovaná kapacita bohatá.
Real-World Implementace
Chatbot RAG používá vyhledávání MMR, takže jeho 5 nejlepších částí pokrývá různé aspekty politiky namísto pěti parafrází stejného odstavce.
Nástroj pro sumarizaci výzkumu používá MMR k výběru pasáží, které minimalizují překrývání, a vytváří tak širší, méně se opakující souhrn.
Agregátor zpráv řadí články s MMR tak, aby zobrazovaly různé pokrytí události, spíše než deset prodejen opakujících jeden příběh.
LangChainův vektorový obchod retriever odhaluje search_type='mmr' pomocí fetch_k a lambda_mult pro diverzifikaci vrácených dokumentů.
Rizika a zábradlí
Halucinovaná fakta mohou tiše vstupovat do zpráv, podpůrných toků nebo výstupů výzkumu.
Citlivost na výzvy může způsobit nekonzistentní výsledky napříč podobnými požadavky.
Citlivá textová data mohou být vystavena, pokud je řízení přístupu slabé.
Plán implementace
Před zavedením definujte výstupní formát, tón a standardy kvality.
Pozemní reakce s důvěryhodnými zdroji, kdykoli záleží na přesnosti.
Udržujte kontrolní bod lidské kontroly pro vysoce důležité výstupy.
Sledujte vzorce selhání a pravidelně opakujte výzvy nebo pracovní postupy.
Pokračujte v objevování
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
Další průvodce
Nemaximální potlačení
Často kladené otázky
Co je maximální okrajová relevance?
Maximální mezní relevance (MMR) je metoda přehodnocení, která vyvažuje, jak relevantní je výsledek, a jak se liší od již vybraných výsledků. Záleží na tom, protože hodnocení čisté relevance často vrací téměř duplicitní pasáže, které plýtvají místem v kontextovém okně RAG.
Jaký je hlavní problém, který má MMR vyřešit?
MMR se zabývá tendencí hodnocení pouze podle relevance, aby se objevilo mnoho výsledků, které říkají v podstatě totéž, tím, že odměňuje novost.
Co ve vzorci MMR zdůrazňuje hodnota lambda blízká 1?
Relevance lambda závaží; blízko 1 dominuje člen relevance, zatímco blízko 0 dominuje člen diverzity (nízká podobnost).
Jak MMR vybírá své výsledky?
MMR je zištná iterativní metoda: každý výběr maximalizuje relevanci minus maximální podobnost s již vybranými položkami.
Jaká míra podobnosti se v MMR nejčastěji používá pro vkládání textu?
Kosinová podobnost mezi vektory vkládání je standardní volbou jak pro relevanci dotazu, tak pro srovnání mezi dokumenty v MMR.
Proč je MMR zvláště užitečné při získávání rozšířené generace (RAG)?
Díky diverzifikaci získaných kousků pomáhá MMR modelu vidět různé důkazy spíše než opakovat stejnou skutečnost, což zlepšuje pokrytí.