Maximale marginale relevantie
Maximale Marginale Relevantie (MMR) is een herschikkingsmethode die een afweging maakt tussen hoe relevant een resultaat is en hoe verschillend het is van de reeds gekozen resultaten.
Overzicht
It matters because pure relevance ranking often returns near-duplicate passages that waste space in a RAG context window.
Diepe duik
Wanneer een zoeksysteem documenten puur op relevantie voor een zoekopdracht beoordeelt, zijn de bovenste resultaten vaak overbodig: vijf passages zeggen allemaal hetzelfde. MMR, geïntroduceerd door Carbonell en Goldstein in 1998, lost dit op door de resultaten één voor één te selecteren. Bij elke stap wordt de kandidaat gekozen die een gewogen mengsel maximaliseert: lambda maal de relevantie ervan voor de zoekopdracht, minus (1 minus lambda) maal de maximale gelijkenis met alles wat al is geselecteerd. Een lambda in de buurt van 1 is voorstander van pure relevantie; dichtbij 0 bevordert het diversiteit. Bij generatie met verbeterde retrieval is MMR populair vanwege het ophalen van een gevarieerde reeks brokken, zodat het taalmodel complementair bewijs ziet in plaats van hetzelfde feit herhaald, waardoor de dekking wordt verbeterd zonder de context te vergroten.
Technisch inzicht
MMR is een hebzuchtig, iteratief algoritme. Zowel de relevantie als de gelijkenis tussen documenten worden gewoonlijk berekend als cosinus-overeenkomst tussen inbeddingsvectoren. De scoreformule is: MMR = argmax over resterende documenten van [ lambda * sim(doc, query) - (1 - lambda) * max sim(doc, geselecteerd) ]. Omdat het elke ronde opnieuw evalueert aan de hand van de groeiende geselecteerde set, is het volgordeafhankelijk en wordt het in grofweg O(k*n) gelijkenisvergelijkingen uitgevoerd voor k keuzes van n kandidaten.
Strategische impact
Speed and scale
Taalworkflows kunnen sneller verlopen zonder dat dit ten koste gaat van de consistentie.
Access and reach
Het breidt de toegang uit naar meerdere talen en communicatiestijlen.
Clearer decisions
Teams kunnen meer tijd besteden aan beoordeling, terwijl automatisering de herhaling afhandelt.
De toekomst van maximale marginale relevantie
MMR blijft een lichtgewicht standaard in vectordatabaseclients zoals LangChain en Chroma, waar het wordt aangeboden als een ophaalmodus met één regel. Toekomstige systemen combineren dit steeds vaker met aangeleerde diversiteitsdoelstellingen, clustergebaseerde selectie en cross-encoder rerankers die nieuwigheid meer semantisch dan cosinusafstand beoordelen. Naarmate de contextvensters groter worden, verschuift de nadruk van het besparen van ruimte naar het verzamelen van werkelijk complementair bewijsmateriaal, waardoor diversiteitsbewuste selectie zoals BMR relevant blijft, zelfs als de ruwe capaciteit overvloedig is.
Implementatie in de echte wereld
Een RAG-chatbot maakt gebruik van MMR-opvraging, zodat de top vijf verschillende aspecten van een beleid bestrijkt in plaats van vijf parafrases van dezelfde paragraaf.
Een hulpmiddel voor onderzoekssamenvatting past MMR toe om passages te kiezen die overlap minimaliseren, waardoor een bredere, minder repetitieve samenvatting ontstaat.
Een nieuwsaggregator rangschikt artikelen met MMR om een gevarieerde berichtgeving over een gebeurtenis weer te geven, in plaats van tien nieuwsmedia die één draadverhaal herhalen.
De vectorstore-retriever van LangChain stelt search_type='mmr' beschikbaar met een fetch_k en lambda_mult om de geretourneerde documenten te diversifiëren.
Risico's en vangrails
Gehallucineerde feiten kunnen stilletjes rapporten binnendringen, stromen ondersteunen of onderzoeksresultaten opleveren.
Gevoeligheid voor prompts kan inconsistente resultaten opleveren voor vergelijkbare verzoeken.
Gevoelige tekstgegevens kunnen openbaar worden gemaakt als de toegangscontroles zwak zijn.
Implementatie routekaart
Definieer het uitvoerformaat, de toon en de kwaliteitsnormen vóór de implementatie.
Grondreacties met vertrouwde bronnen wanneer nauwkeurigheid belangrijk is.
Houd een menselijk controlepunt bij voor resultaten met een hoge inzet.
Houd faalpatronen bij en train prompts of workflows regelmatig opnieuw.
Blijf verkennen
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
Niet-maximale onderdrukking
Frequently asked questions
What is Maximum Marginal Relevance?
Maximale Marginale Relevantie (MMR) is een herschikkingsmethode die een afweging maakt tussen hoe relevant een resultaat is en hoe verschillend het is van de reeds gekozen resultaten. Het is van belang omdat pure relevantierangschikking vaak bijna dubbele passages oplevert die ruimte verspillen in een RAG-contextvenster.
Wat is het voornaamste probleem dat MMR moet oplossen?
MMR richt zich op de neiging om op basis van alleen relevantie veel resultaten naar boven te halen die in wezen hetzelfde zeggen, door nieuwigheid te belonen.
Wat benadrukt een lambdawaarde dichtbij 1 in de MMR-formule?
Lambda weegt de relevantie af; bij 1 domineert de relevantieterm, terwijl bij 0 de term diversiteit (lage gelijkenis) domineert.
Hoe selecteert MMR de resultaten?
MMR is een hebzuchtige iteratieve methode: elke keuze maximaliseert de relevantie minus de maximale gelijkenis met de reeds gekozen items.
Welke gelijkenismaatstaf wordt binnen MMR het meest gebruikt voor tekstinsluitingen?
Cosinus-overeenkomst tussen inbeddingsvectoren is de standaardkeuze voor zowel de relevantie van de zoekopdracht als de vergelijking tussen documenten in MMR.
Waarom is MMR vooral nuttig bij Retrieval-Augmented Generation (RAG)?
Door de opgehaalde fragmenten te diversifiëren, helpt MMR het model gevarieerd bewijsmateriaal te zien in plaats van dat hetzelfde feit wordt herhaald, waardoor de dekking wordt verbeterd.