Ensemble Retriever¶
EnsembleRetriever 將檢索器清單作為輸入，並整合其 get_relevant_documents() 方法的結果，並根據 Reciprocal Rank Fusion 演算法對結果進行重新排名。
透過利用不同演算法的優勢，EnsembleRetriever 可以獲得比任何單一演算法更好的效能。
最常見的模式是將稀疏(sparse)檢索器（如 BM25）與密集檢索器（如嵌入相似性）結合，因為它們的優點是互補的。它也被稱為“混合搜尋”(hybrid search)。稀疏檢索器擅長根據關鍵字尋找相關文檔，而密集檢索器擅長根據語意相似度尋找相關文檔。
from langchain.retrievers import BM25Retriever, EnsembleRetriever
from langchain.vectorstores import FAISS
API Reference:
doc_list = [
"I like apples",
"I like oranges",
"Apples and oranges are fruits",
]
# initialize the bm25 retriever and faiss retriever
bm25_retriever = BM25Retriever.from_texts(doc_list)
bm25_retriever.k = 2
embedding = OpenAIEmbeddings()
faiss_vectorstore = FAISS.from_texts(doc_list, embedding)
faiss_retriever = faiss_vectorstore.as_retriever(search_kwargs={"k": 2})
# initialize the ensemble retriever
ensemble_retriever = EnsembleRetriever(retrievers=[bm25_retriever, faiss_retriever], weights=[0.5, 0.5])
docs = ensemble_retriever.get_relevant_documents("apples")
print(docs)
結果: