时间加权检索器

时间加权检索器是一种除了相似性之外，还会考虑时间近因性的检索器。评分算法是

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

值得注意的是，上面的 hoursPassed 指的是自检索器中的对象上次被访问以来的时间，而不是自它被创建以来的时间。这意味着经常访问的对象保持“新鲜”并获得更高的分数。

this.decayRate 是一个介于 0 和 1 之间的可配置十进制数。较低的数字意味着文档将被“记住”更长时间，而较高的数字强烈地加权最近访问的文档。

请注意，将衰减率设置为正好 0 或 1 会使 hoursPassed 无关紧要，并使此检索器等同于标准向量查找。

使用方法

此示例展示了如何使用向量存储初始化 TimeWeightedVectorStoreRetriever。重要的是要注意，由于所需的元数据，所有文档都必须使用检索器上的 addDocuments 方法添加到后备向量存储中，而不是向量存储本身。

提示

有关安装集成包的一般说明，请参阅此部分。

npm

npm install @langchain/openai @langchain/core

Yarn

yarn add @langchain/openai @langchain/core

pnpm

pnpm add @langchain/openai @langchain/core

import { TimeWeightedVectorStoreRetriever } from "langchain/retrievers/time_weighted";
import { MemoryVectorStore } from "langchain/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: {} }
]
 */

API 参考

• TimeWeightedVectorStoreRetriever 来自 langchain/retrievers/time_weighted
• MemoryVectorStore 来自 langchain/vectorstores/memory
• OpenAIEmbeddings 来自 @langchain/openai

相关

• 检索器 概念指南
• 检索器 操作指南