时间加权集成 - AI 开发中文文档

时间加权检索器是一种在考虑相似度的同时，还会考虑时效性的检索器。其评分算法如下：

let score = (1.0 - this.decayRate) ** hoursPassed + vectorRelevance;

值得注意的是，上述hoursPassed指的是检索器中对象最后一次被访问的时间，而不是其创建时间。这意味着经常被访问的对象会保持”新鲜”状态，并获得更高的分数。 this.decayRate是一个可配置的介于0和1之间的十进制数。数值越小，文档会被”记住”的时间越长；数值越大，则更侧重于最近被访问的文档。请注意，将衰减率设置为0或1会使hoursPassed变得无关紧要，并使这种检索器等同于标准的向量查找。

使用方法

本示例展示了如何使用向量存储初始化一个TimeWeightedVectorStoreRetriever。需要注意的是，由于需要元数据，所有文档都必须通过检索器上的addDocuments方法添加到后端向量存储中，而不是直接通过向量存储本身添加。

import { TimeWeightedVectorStoreRetriever } from "@langchain/classic/retrievers/time_weighted";
import { MemoryVectorStore } from "@langchain/classic/vectorstores/memory";
import { OpenAIEmbeddings } from "@langchain/openai";

const vectorStore = new MemoryVectorStore(new OpenAIEmbeddings());

const retriever = new TimeWeightedVectorStoreRetriever({
  vectorStore,
  memoryStream: [],
  searchKwargs: 2,
});

const documents = [
  "My name is John.",
  "My name is Bob.",
  "My favourite food is pizza.",
  "My favourite food is pasta.",
  "My favourite food is sushi.",
].map((pageContent) => ({ pageContent, metadata: {} }));

// All documents must be added using this method on the retriever (not the vector store!)
// so that the correct access history metadata is populated
await retriever.addDocuments(documents);

const results1 = await retriever.invoke("What is my favourite food?");

console.log(results1);

/*
[
  Document { pageContent: 'My favourite food is pasta.', metadata: {} }
]
 */

const results2 = await retriever.invoke("What is my favourite food?");

console.log(results2);

/*
[
  Document { pageContent: 'My favourite food is pasta.', metadata: {} }
]
 */

​使用方法

​相关

使用方法

相关