3.2.4 MMR示例选择器
Max Marginal Relevance Example Selector (MMR) 是一种示例选择器,旨在通过最大化边际相关性来选择示例,以平衡相似性和多样性。MMR在选择与输入最相似的示例的同时,还优化了所选示例之间的多样性。
在LangChain中,MMR示例选择器的特点如下所示。
- 语义相关性:MMR选择器通过计算输入与候选示例之间的语义相似度来评估相关性。这通常通过将文本转换为嵌入向量并计算向量之间的距离来实现。
- 多样性:MMR选择器在选择示例时,不仅考虑单个示例与输入的相关性,还考虑已选示例集合的整体多样性。这有助于防止选择过于相似的示例,从而增加示例集的覆盖范围。
- 动态选择:MMR选择器可以根据输入的变化动态调整所选示例,确保对于每个新的输入,都能选择出最合适的示例集。
- 可定制性:LangChain中的MMR选择器允许用户自定义相关性度量方法和多样性评估标准,以适应不同的应用场景和需求。
在LangChain中,通过SemanticSimilar