最大边际相关性#

langchain_redis.vectorstores.maximal_marginal_relevance(query_embedding: ndarray, embedding_list: List[ndarray], lambda_mult: float = 0.5, k: int = 4) → List[int][source]#

计算最大边际相关性。

最大边际相关性优化了与查询的相似性和所选文档之间的多样性。

Parameters:

  • query_embedding (ndarray) – 查询文本的嵌入。

  • embedding_list (List[ndarray]) – 从中选择的嵌入列表。

  • lambda_mult (float) – 介于0和1之间的数字，用于确定结果之间的多样性程度，其中0对应于最大多样性，1对应于最小多样性。默认值为0.5。

  • k (int) – 返回的结果数量。默认为4。

Returns:

所选嵌入的索引列表。

Return type:

列表[int]

示例

from langchain_redis import RedisVectorStore
from langchain_openai import OpenAIEmbeddings
import numpy as np

embeddings = OpenAIEmbeddings()
vector_store = RedisVectorStore(
    index_name="langchain-demo",
    embedding=embeddings,
    redis_url="redis://localhost:6379",
)

query = "What is the capital of France?"
query_embedding = embeddings.embed_query(query)

# Assuming you have a list of document embeddings
doc_embeddings = [embeddings.embed_query(doc) for doc in documents]

selected_indices = vector_store.maximal_marginal_relevance(
    query_embedding=np.array(query_embedding),
    embedding_list=[np.array(emb) for emb in doc_embeddings],
    lambda_mult=0.5,
    k=2
)

for idx in selected_indices:
    print(f"Selected document: {documents[idx]}")