时间加权检索器

时间加权检索器是一种检索器，它除了考虑相似性之外，还考虑了最近度。评分算法是

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

值得注意的是，上面的 hoursPassed 指的是检索器中对象上次访问的时间，而不是它被创建的时间。这意味着频繁访问的对象会保持“新鲜”状态，并获得更高的评分。

this.decayRate 是一个可配置的介于 0 和 1 之间的十进制数。较小的数字意味着文档将被“记住”更长时间，而较大的数字则会强烈地加权最近访问的文档。

请注意，将衰减率设置为恰好为 0 或 1 会使 hoursPassed 无关紧要，并将该检索器等效于标准向量查找。

用法

此示例展示了如何使用向量存储初始化 TimeWeightedVectorStoreRetriever。需要注意的是，由于需要元数据，所有文档必须使用**检索器**上的 addDocuments 方法添加到支持的向量存储中，而不是向量存储本身。

提示

有关安装集成包的常规说明，请参阅 本节。

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